OPENCV(python)--初学之路（十六）SURF简介

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

一、前言

今日更新如期而至，学习之路永无止境。

二、核心内容

SURF算法概述（加速鲁棒特征）

SURF（Speeded Up Robust Features）是一种在2006年由Bay H.、Tuytelaars T. 和 Van Gool L. 提出的图像特征提取方法。该算法作为SIFT的快速替代方案被广泛研究与应用。相较于SIFT中使用的高斯差分（DoG）来逼近高斯拉普拉斯算子（LoG），SURF采用盒状滤波器进行近似处理，从而显著提升了计算效率。

得益于积分图像技术，盒状滤波器可在多尺度空间中高效完成卷积运算。同时，SURF利用Hessian矩阵的行列式来定位关键点及其对应尺度。

主方向计算与Upright-SURF模式

为了确定主方向，SURF对以关键点为中心、半径为6s（s表示关键点的尺度）的圆形区域内执行Haar小波响应分析，并使用高斯函数对响应值加权。随后，通过一个角度跨度为60度的滑动窗口统计总响应，进而估算出主方向。

值得注意的是，借助积分图像，任意尺度下的小波响应均可快速获取。对于无需旋转不变性的应用场景，可以跳过方向计算步骤，从而进一步提升处理速度——这种变体被称为Upright-SURF或U-SURF。

OpenCV支持两种模式切换，取决于upright标志位设置：当其值为0时，启用方向计算；若设为1，则关闭方向检测，提高运行效率。

特征描述子构建机制

在描述子生成阶段，SURF基于关键点周围20s×20s大小的邻域区域，利用水平和垂直方向的小波响应构造特征向量。该区域被划分为4×4个子块，每个子块内分别累加dx、dy及其绝对值，形成如下形式的向量：
\(\langle v = \sum d_x, \sum d_y, \sum |d_x|, \sum |d_y|\rangle\)。
最终得到一个64维的特征描述子。相比SIFT，维度降低带来了更快的匹配速度，同时仍保持良好的独特性。

为进一步增强区分能力，SURF还提供了扩展版本——128维描述子。具体做法是根据dy的正负分别求和dx与|xdx|，同样地，|dy|和|dx|也依据dx的符号进行分类统计，使特征数量翻倍而不显著增加计算负担。

在OpenCV中，可通过设置extended标志位控制输出维度：0代表64维，1则启用128维（默认开启）。

SURF性能特点与适用场景

SURF在设计上采用了多种优化策略，实测表明其运行速度约为SIFT的三倍，在模糊及旋转图像中表现稳健。然而，在视角变换明显或光照条件剧烈变化的情况下，其稳定性有所下降。

OpenCV中的SURF实现

OpenCV为SURF提供了完整的接口支持，类似于SIFT的使用方式。用户可通过设定参数（如描述子维度、是否启用Upright模式等）创建SURF对象，然后调用SURF.detect()和SURF.compute()等方法完成关键点检测与描述子计算。

以下是一个简单的Python终端示例，用于演示如何提取并可视化SURF特征：

import cv2 as cv

# 读取图像，第二个参数0表示以灰度模式读取
img = cv.imread('fly.png', 0)

# 创建SURF对象，设置Hessian阈值为400
# Hessian阈值用于控制特征点检测的灵敏度
# 值越高，检测到的特征点越少但更稳定
surf = cv.xfeatures2d.SURF_create(400)

# 检测关键点并计算描述子
# kp: 关键点列表（包含位置、尺度、方向等信息）
# des: 描述子矩阵（每行是一个特征点的描述向量）
kp, des = surf.detectAndCompute(img, None)

# 打印检测到的关键点数量
print(len(kp))  # 输出：699

关键点数量控制与阈值调整

原始检测结果包含1199个关键点，数量过多不利于图像标注。因此我们通过提高Hessian矩阵的行列式阈值，将关键点数量减少至约50个以便于显示。尽管在后续匹配任务中可能需要保留更多特征，但在可视化阶段此操作更为合理。

import cv2

# 读取图像
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 初始化SURF检测器
surf = cv2.xfeatures2d.SURF_create()

# 检查当前Hessian阈值
print(surf.getHessianThreshold())

# 设置新的Hessian阈值
surf.setHessianThreshold(50000)

# 检测关键点和计算描述子
kp, des = surf.detectAndCompute(img, None)

# 输出关键点数量
print(len(kp))

阈值	检测到的关键点数量	说明
400	699个	正常设置，检测到较多特征点
50000	47个	极高阈值，仅保留最显著的特征点

从结果可见，SURF更倾向于识别斑点类结构，例如蝴蝶翅膀上的白色区域即被成功捕捉。

U-SURF模式测试效果

接下来尝试启用U-SURF模式，即不计算关键点方向。此时所有特征点的方向均保持一致，呈现出统一朝向。

import cv2
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 创建 SURF 对象
surf = cv2.xfeatures2d.SURF_create()

# 检查 upright 标志
print(surf.getUpright())

# 如果 upright 为 False，设置为 True
if not surf.getUpright():
    surf.setUpright(True)

# 重新计算特征点
kp = surf.detect(img, None)

# 绘制特征点
img2 = cv2.drawKeypoints(img, kp, None, (255, 0, 0), 4)

# 显示结果
plt.imshow(img2)
plt.show()

结果显示处理速度进一步提升。对于不需要旋转不变性的任务（如全景图像拼接），U-SURF是更优选择。

建议将今天的代码在 Python 的编译环境中运行，经过多次尝试后发现，在虚拟环境中直接执行往往无法成功。

本次更新内容较为简洁，旨在帮助大家更好地消化和理解前期所学知识。

我们终此一生，就是要摆脱他人的期待，找到真正的自己。—— 伍绮诗《无声告白》

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：python Open Pen SUR Matplotlib