Python OpenCV：从用户定义的关键点提取冲浪特征

我想从我指定的关键点计算冲浪特征。我正在使用OpenCV的Python包装器。下面是我试图使用的代码，但我在任何地方都找不到一个有效的示例

surf = cv2.SURF()
keypoints, descriptors = surf.detect(np.asarray(image[:,:]),None,useProvidedKeypoints = True)

如何指定此函数要使用的关键点

类似的、未回答的问题：

---

< P>如果正确理解Python绑定的源代码，在Python绑定中从未使用C++接口中存在的“KePosits”参数。因此，我冒着风险说，不可能用当前的绑定来做您正试图做的事情。一个可能的解决方案是编写自己的绑定。我知道这不是你希望的答案…

关于如何使用前面提到的

Mahotas实现这一点的示例：

import mahotas
from mahotas.features import surf
import numpy as np


def process_image(imagename):
    '''Process an image and returns descriptors and keypoints location'''
    # Load the images
    f = mahotas.imread(imagename, as_grey=True)
    f = f.astype(np.uint8)

    spoints = surf.dense(f, spacing=12, include_interest_point=True)
    # spoints includes both the detection information (such as the position
    # and the scale) as well as the descriptor (i.e., what the area around
    # the point looks like). We only want to use the descriptor for
    # clustering. The descriptor starts at position 5:
    desc = spoints[:, 5:]
    kp = spoints[:, :2]

    return kp, desc

尝试使用cv2.DescriptorMatcher\u来创建它。

例如，在下面的代码中，我正在使用pylab，但您可以得到消息；）

它使用GFTT计算关键点，然后使用SURF描述符和蛮力匹配。
每个代码部分的输出显示为标题


输出是这样的

（对于本例，我将作弊并使用相同的图像获取关键点和描述符）

图1:1000、图2:1000中的关键点
图像1中的描述符大小：（1000,64），图像2中的描述符大小：（1000,64）
比赛：1000场
距离：最小：0.000

距离：平均值：0.000

距离：最大值：0.000

# threshold: half the mean
thres_dist = (sum(dist) / len(dist)) * 0.5 + 0.5

# keep only the reasonable matches
sel_matches = [m for m in matches if m.distance < thres_dist]

print '#selected matches:', len(sel_matches)

输出是这样的
我开始怀疑同样的事实。。。我已经开始研究如何使用Python库进行冲浪，比如编写自己的自定义函数绑定应该不会太难。mahotas的作者：mahotas可以做你想做的事。你最终成功了吗？我成功了，我甚至在这里发布了答案，但我只是注意到它因为某种原因被删除了。奇怪。不管怎样，你可以用它来做这件事，或者可以查看一些同时发布的其他答案。
img1 = gray
img2 = gray
detector = cv2.FeatureDetector_create("GFTT")
descriptor = cv2.DescriptorExtractor_create("SURF")
matcher = pt1=(int(k1[m.queryIdx].pt[0]),int(k1[m.queryIdx].pt[1]))("FlannBased")

# detect keypoints
kp1 = detector.detect(img1)
kp2 = detector.detect(img2)

print '#keypoints in image1: %d, image2: %d' % (len(kp1), len(kp2))

# descriptors
k1, d1 = descriptor.compute(img1, kp1)
k2, d2 = descriptor.compute(img2, kp2)

print '#Descriptors size in image1: %s, image2: %s' % ((d1.shape), (d2.shape))

# match the keypoints
matches = matcher.match(d1,d2)

# visualize the matches
print '#matches:', len(matches)
dist = [m.distance for m in matches]

print 'distance: min: %.3f' % min(dist)
print 'distance: mean: %.3f' % (sum(dist) / len(dist))
print 'distance: max: %.3f' % max(dist)

# threshold: half the mean
thres_dist = (sum(dist) / len(dist)) * 0.5 + 0.5

# keep only the reasonable matches
sel_matches = [m for m in matches if m.distance < thres_dist]

print '#selected matches:', len(sel_matches)

#Plot
h1, w1 = img1.shape[:2]
h2, w2 = img2.shape[:2]
view = zeros((max(h1, h2), w1 + w2, 3), uint8)
view[:h1, :w1, 0] = img1
view[:h2, w1:, 0] = img2
view[:, :, 1] = view[:, :, 0]
view[:, :, 2] = view[:, :, 0]

for m in sel_matches:
    # draw the keypoints
    # print m.queryIdx, m.trainIdx, m.distance
    color = tuple([random.randint(0, 255) for _ in xrange(3)])
    pt1=(int(k1[m.queryIdx].pt[0]),int(k1[m.queryIdx].pt[1]))
    pt2=(int(k2[m.queryIdx].pt[0]+w1),int(k2[m.queryIdx].pt[1]))
    cv2.line(view,pt1,pt2,color)