http://blog.csdn.net/lights_joy/
欢迎转载，但请保留作者信息
BRISK是BRIEF描述子的一种改进，相比于BRIEF特征，它具有旋转不变性、尺度不变性和对噪声的鲁棒性。本节尝试在Python下使用此特征检测方式，使用的测试图像为先前已经转换为灰度图的棉花图像：
首先读取图像：
[python] view plain copy # 读取原始图像 img = cv2.imread(r'F:\projects\src\opencv\images\cotton\39.gray.jpg') plt.imshow(img)
接着创建一个brisk特征检测器：
[python] view plain copy # 创建brisk检测器 brisk = cv2.BRISK_create()
接下来计算图像的特征，此函数的原型为：
[plain] view plain copy Help on built-in function detectAndCompute: detectAndCompute(...) detectAndCompute(image, mask[, descriptors[, useProvidedKeypoints]]) -> keypoints, descriptors
调用它计算特征点并显示：
[python] view plain copy # 计算特征点并显示 (kpt, desc) = brisk.detectAndCompute(img, None) bk_img = img.copy() out_img = img.copy() out_img = cv2.drawKeypoints(bk_img, kpt, out_img) plt.figure(2) plt.imshow(out_img)
结果就是这样的：
貌似对我们的叶片识别没有直接的帮助，需要自己寻找特征点才行。
直接将原图旋转30度：
[python] view plain copy # 原图像旋转30度 ang=np.pi/6 rot_mat = np.array([[np.cos(ang), np.sin(ang), 0], [-np.sin(ang), np.cos(ang), 200]]) img_30 = cv2.warpAffine(img, rot_mat, (600,500)) plt.figure(3) plt.imshow(img_30)
计算新的特征值：
[python] view plain copy # 特征点检测 (kpt_30, desc_30) = brisk.detectAndCompute(img_30, None) bk_img = img_30.copy() out_img = img_30.copy() out_img = cv2.drawKeypoints(bk_img, kpt_30, out_img) plt.figure(4) plt.imshow(out_img)
直接做特征点的匹配：
[python] view plain copy # 特征点匹配 matcher = cv2.BFMatcher() matches = matcher.match(desc, desc_30) print(matches)
最后用图像显示匹配的结果：
[python] view plain copy # 显示匹配结果，仅显示前面的5个点 matches.sort(None, None, True) out_img = cv2.drawMatches(img, kpt, img_30, kpt_30, matches[0:5], out_img) plt.figure(5) plt.imshow(out_img)
匹配的效果也令人失望。
