Lab9 - Features

Features e Descritores em Visão Computacional¶

FAÇA O DOWNLOAD DO MATERIAL DA AULA AQUI!

Objetivos da aula:¶

Compreender o conceito de FEATURES (características) em imagens
Aplicar algoritmos de detecção de pontos-chave (keypoints)
Utilizar DESCRITORES para reconhecimento de objetos
Implementar matching de imagens com invariância a escala e rotação

In [ ]:

Copied!





## Vou fazer o download das imagens do laboratório diretamente do repositório para ficar mais facil....

import requests
import os

# Define o laboratório
laboratorio = 'lab13'  ### altere para o laboratório desejado
diretorio = 'lab_images'  ### altere para o diretório que deseja salvar as imagens

# Download de um arquivo
def download_file(url, destination):
    response = requests.get(url, stream=True)
    if response.status_code == 200:
        with open(destination, 'wb') as file:
            for chunk in response.iter_content(chunk_size=8192):
                file.write(chunk)
        print(f"Baixado: {destination}")
    else:
        print(f"Erro ao baixar {url}")

# Monta a URL completa
api_url = "https://api.github.com/repos/arnaldojr/cognitivecomputing/contents/material/aulas/PDI/"
url_completa = api_url + laboratorio
print(f"Fazendo o download de: {url_completa}")

# checa se a URL está acessível
response = requests.get(url_completa)
if response.status_code != 200:
    raise Exception(f"Erro ao acessar o repositório: {response.status_code}")
files = response.json()


# Faz o download de cada arquivo
os.makedirs(diretorio, exist_ok=True) # Cria a pasta downloads
for file in files:
    file_name = file['name']
    if file_name.endswith(('.png', '.jpg', '.jpeg', '.mp4')):  # Adicione mais extensões se necessário
        file_url = file['download_url']
        destination = os.path.join(diretorio, file_name)
        download_file(file_url, destination)

print(f"Download concluído. Arquivos salvos na pasta {diretorio}.")
## Vou fazer o download das imagens do laboratório diretamente do repositório para ficar mais facil....

import requests
import os

# Define o laboratório
laboratorio = 'lab13'  ### altere para o laboratório desejado
diretorio = 'lab_images'  ### altere para o diretório que deseja salvar as imagens

# Download de um arquivo
def download_file(url, destination):
    response = requests.get(url, stream=True)
    if response.status_code == 200:
        with open(destination, 'wb') as file:
            for chunk in response.iter_content(chunk_size=8192):
                file.write(chunk)
        print(f"Baixado: {destination}")
    else:
        print(f"Erro ao baixar {url}")

# Monta a URL completa
api_url = "https://api.github.com/repos/arnaldojr/cognitivecomputing/contents/material/aulas/PDI/"
url_completa = api_url + laboratorio
print(f"Fazendo o download de: {url_completa}")

# checa se a URL está acessível
response = requests.get(url_completa)
if response.status_code != 200:
    raise Exception(f"Erro ao acessar o repositório: {response.status_code}")
files = response.json()


# Faz o download de cada arquivo
os.makedirs(diretorio, exist_ok=True) # Cria a pasta downloads
for file in files:
    file_name = file['name']
    if file_name.endswith(('.png', '.jpg', '.jpeg', '.mp4')):  # Adicione mais extensões se necessário
        file_url = file['download_url']
        destination = os.path.join(diretorio, file_name)
        download_file(file_url, destination)

print(f"Download concluído. Arquivos salvos na pasta {diretorio}.")

Contextualização do Problema¶

Em aulas anteriores, exploramos várias técnicas de processamento de imagens, incluindo o template matching. Embora essa técnica seja eficaz para encontrar padrões exatos em imagens, ela apresenta limitações significativas:

Sensibilidade a mudanças de escala
Problemas com rotação do objeto
Vulnerabilidade a variações de iluminação
Dificuldade com oclusões parciais

Para superar essas limitações, vamos explorar técnicas baseadas em features locais, que são mais robustas a estas transformações.

O Desafio: Detectar um Objeto em uma Cena¶

Queremos localizar esta caixa específica:

Dentro desta cena mais complexa: Observe que a caixa aparece em uma posição diferente, com rotação e escala alteradas, além de estar parcialmente obstruída.

Reflexão Inicial¶

🤔 Pense: Com as técnicas que já conhecemos (como template matching, detecção de contornos ou segmentação por cor), seria possível resolver este problema de forma robusta?

Quais seriam as limitações?
Como poderíamos detectar o objeto mesmo quando ele está rotacionado?
Como lidar com diferentes escalas?

Introdução às Features em Visão Computacional¶

O que são Features?¶

Features (características) são pontos ou regiões de interesse em uma imagem que possuem propriedades distintivas, podendo ser identificadas de forma consistente mesmo sob diferentes transformações.Podem ser:

Pontos (como cantos ou junções)
Bordas (mudanças abruptas de intensidade)
Blobs (regiões com propriedades aproximadamente constantes)
Regiões (áreas com textura específica)

Features Ideais devem ser:¶

Repetíveis: Detectáveis mesmo com mudanças de iluminação, ruído, etc.
Distintivas: Facilmente diferenciáveis de outras features
Locais: Ocupando uma pequena área da imagem
Numerosas: Em quantidade suficiente para representar o objeto
Precisas: Localizáveis com exatidão
Eficientes: Rápidas de computar

Principais Algoritmos de Detecção e Descrição de Features:¶

SIFT (Scale-Invariant Feature Transform) - Robusto mas computacionalmente intensivo
SURF (Speeded-Up Robust Features) - Mais rápido que SIFT, também patenteado
ORB (Oriented FAST and Rotated BRIEF) - Código aberto, mais rápido
FAST (Features from Accelerated Segment Test) - Detector rápido, sem descritor
BRISK (Binary Robust Invariant Scalable Keypoints) - Alternativa binária

Aplicações:¶

Reconhecimento de objetos
Stitching de imagens (panoramas)
Reconstrução 3D
Rastreamento de objetos (tracking)
Realidade aumentada
Indexação e recuperação de imagens

Detecção de Features com ORB¶

Vamos usar o algoritmo ORB (Oriented FAST and Rotated BRIEF), que é uma excelente alternativa aos algoritmos patenteados como SIFT e SURF. O ORB foi desenvolvido pela OpenCV Labs e combina:

O detector FAST modificado para detecção de keypoints
O descritor BRIEF modificado para descrição de features
Adição de orientação para garantir invariância à rotação

Documentação: OpenCV ORB

In [ ]:

Copied!





%matplotlib inline
import cv2
from matplotlib import pyplot as plt
import numpy as np

# Configurações para melhor visualização
plt.rcParams['figure.figsize'] = [12, 8]
plt.rcParams['font.size'] = 12

img1 = cv2.imread('box.png', 0)  # Template (objeto de referência)
img2 = cv2.imread('box_in_scene.png', 0)  # Imagem de busca
    
    
# Exibir o template
plt.figure(figsize=(8, 8))
plt.title("Template - Objeto de Referência")
plt.imshow(img1, cmap="gray")
plt.axis('on')
plt.show()

# Exibir a imagem de busca
plt.figure(figsize=(12, 10))
plt.title("Imagem de Busca - Cena Completa")
plt.imshow(img2, cmap="gray")
plt.axis('on')
plt.show()
%matplotlib inline
import cv2
from matplotlib import pyplot as plt
import numpy as np

# Configurações para melhor visualização
plt.rcParams['figure.figsize'] = [12, 8]
plt.rcParams['font.size'] = 12

img1 = cv2.imread('box.png', 0)  # Template (objeto de referência)
img2 = cv2.imread('box_in_scene.png', 0)  # Imagem de busca
    
    
# Exibir o template
plt.figure(figsize=(8, 8))
plt.title("Template - Objeto de Referência")
plt.imshow(img1, cmap="gray")
plt.axis('on')
plt.show()

# Exibir a imagem de busca
plt.figure(figsize=(12, 10))
plt.title("Imagem de Busca - Cena Completa")
plt.imshow(img2, cmap="gray")
plt.axis('on')
plt.show()

O que são Descritores?¶

Um descritor é uma "assinatura" matemática que codifica a informação ao redor de uma feature detectada. É tipicamente um vetor numérico que caracteriza:

O padrão de intensidade ao redor do ponto
A distribuição de gradientes na vizinhança
Outros atributos que permitem a correspondência entre features em diferentes imagens

In [7]:

Copied!

# Inicializar o detector e descritor ORB
# Por padrão, detectará até 500 keypoints
orb = cv2.ORB_create()

print("Detector ORB inicializado com sucesso!")
# Inicializar o detector e descritor ORB
# Por padrão, detectará até 500 keypoints
orb = cv2.ORB_create()

print("Detector ORB inicializado com sucesso!")

In [8]:

Copied!





# Detectar keypoints e calcular os descritores na imagem template

# Abordagem separada (passo-a-passo):
# 1. Detectar keypoints
# kp = orb.detect(img1, None)
# 2. Calcular descritores
# kp, des = orb.compute(img1, kp)

# Abordagem combinada (mais eficiente):
kp1, des1 = orb.detectAndCompute(img1, None)

print(f"Foram detectados {len(kp1)} keypoints na imagem template")
print(f"Formato dos descritores: {des1.shape if des1 is not None else 'Nenhum descritor calculado'}")
# Detectar keypoints e calcular os descritores na imagem template

# Abordagem separada (passo-a-passo):
# 1. Detectar keypoints
# kp = orb.detect(img1, None)
# 2. Calcular descritores
# kp, des = orb.compute(img1, kp)

# Abordagem combinada (mais eficiente):
kp1, des1 = orb.detectAndCompute(img1, None)

print(f"Foram detectados {len(kp1)} keypoints na imagem template")
print(f"Formato dos descritores: {des1.shape if des1 is not None else 'Nenhum descritor calculado'}")

In [9]:

Copied!





# Visualizar os keypoints detectados (versão simples)
img_keypoints = cv2.drawKeypoints(img1, kp1, outImage=None, color=(0,255,0), 
                                 flags=cv2.DrawMatchesFlags_DEFAULT)

plt.figure(figsize=(10, 10))
plt.title("Keypoints detectados na imagem template")
plt.imshow(cv2.cvtColor(img_keypoints, cv2.COLOR_BGR2RGB))
plt.show()
# Visualizar os keypoints detectados (versão simples)
img_keypoints = cv2.drawKeypoints(img1, kp1, outImage=None, color=(0,255,0), 
                                 flags=cv2.DrawMatchesFlags_DEFAULT)

plt.figure(figsize=(10, 10))
plt.title("Keypoints detectados na imagem template")
plt.imshow(cv2.cvtColor(img_keypoints, cv2.COLOR_BGR2RGB))
plt.show()

In [ ]:

Copied!





# Visualizar os keypoints com informação de escala e orientação
img_keypoints_rich = cv2.drawKeypoints(img1, kp1, outImage=None, 
                                      flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

plt.figure(figsize=(10, 10))
plt.title("Keypoints com escala e orientação")
plt.imshow(cv2.cvtColor(img_keypoints_rich, cv2.COLOR_BGR2RGB))
plt.xlabel("As setas indicam a orientação do gradiente dominante em cada ponto")
plt.show()

# Explicação dos círculos e linhas:
print("Os círculos representam a escala onde o keypoint foi detectado")
print("As linhas mostram a orientação dominante do gradiente naquele ponto")
print("Essas propriedades garantem invariância à escala e rotação")
# Visualizar os keypoints com informação de escala e orientação
img_keypoints_rich = cv2.drawKeypoints(img1, kp1, outImage=None, 
                                      flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

plt.figure(figsize=(10, 10))
plt.title("Keypoints com escala e orientação")
plt.imshow(cv2.cvtColor(img_keypoints_rich, cv2.COLOR_BGR2RGB))
plt.xlabel("As setas indicam a orientação do gradiente dominante em cada ponto")
plt.show()

# Explicação dos círculos e linhas:
print("Os círculos representam a escala onde o keypoint foi detectado")
print("As linhas mostram a orientação dominante do gradiente naquele ponto")
print("Essas propriedades garantem invariância à escala e rotação")

🔍 Desafio 1: Explorando Parâmetros do ORB¶

Por padrão, o detector ORB é configurado para encontrar 500 features na imagem.

Sua missão:¶

Consulte a documentação do ORB
Descubra como alterar o número máximo de features detectadas
Identifique outros parâmetros importantes do ORB
Implemente um exemplo que use parâmetros personalizados
Compare o resultado com a implementação padrão

Dica: Alguns parâmetros importantes incluem nfeatures, scaleFactor, nlevels e edgeThreshold.

In [ ]:

Copied!





# Implemente sua solução para o Desafio 1 aqui

# Exemplo de implementação com parâmetros customizados
orb_custom = cv2.ORB_create(
    nfeatures=100,      # Número máximo de features a serem retidas (padrão: 500)
    scaleFactor=1.2,    # Fator de escala entre níveis na pirâmide (padrão: 1.2)
    nlevels=8,          # Número de níveis na pirâmide (padrão: 8)
    edgeThreshold=31,   # Tamanho da borda (padrão: 31)
    firstLevel=0,       # Nível da pirâmide onde é colocada a imagem de entrada (padrão: 0)
    WTA_K=2,            # Número de pontos para produzir cada elemento do descritor BRIEF (2 ou 3, padrão: 2)
    scoreType=cv2.ORB_HARRIS_SCORE,  # Tipo de pontuação (HARRIS_SCORE ou FAST_SCORE)
    patchSize=31,       # Tamanho do patch usado para orientação (padrão: 31)
    fastThreshold=20    # Limiar para o detector de cantos FAST (padrão: 20)
)

# Compare os resultados com diferentes configurações
# ...
# Implemente sua solução para o Desafio 1 aqui

# Exemplo de implementação com parâmetros customizados
orb_custom = cv2.ORB_create(
    nfeatures=100,      # Número máximo de features a serem retidas (padrão: 500)
    scaleFactor=1.2,    # Fator de escala entre níveis na pirâmide (padrão: 1.2)
    nlevels=8,          # Número de níveis na pirâmide (padrão: 8)
    edgeThreshold=31,   # Tamanho da borda (padrão: 31)
    firstLevel=0,       # Nível da pirâmide onde é colocada a imagem de entrada (padrão: 0)
    WTA_K=2,            # Número de pontos para produzir cada elemento do descritor BRIEF (2 ou 3, padrão: 2)
    scoreType=cv2.ORB_HARRIS_SCORE,  # Tipo de pontuação (HARRIS_SCORE ou FAST_SCORE)
    patchSize=31,       # Tamanho do patch usado para orientação (padrão: 31)
    fastThreshold=20    # Limiar para o detector de cantos FAST (padrão: 20)
)

# Compare os resultados com diferentes configurações
# ...

Exemplo de resultado com poucas features¶

Com apenas 4 features detectadas, é possível visualizar melhor cada keypoint, sua escala e orientação:

Cada círculo representa um keypoint, com:

O raio do círculo indicando a escala
A linha dentro do círculo representando a orientação

Detectando o Objeto na Cena¶

Agora que já extraímos os keypoints e descritores da imagem de referência (template), precisamos:

Detectar keypoints e calcular descritores na imagem da cena
Encontrar correspondências (matches) entre os descritores das duas imagens
Filtrar as melhores correspondências
Determinar a localização do objeto

🔍 Desafio 2: Comparando Keypoints¶

Sua missão:¶

Calcule os keypoints e descritores para a imagem da cena (box_in_scene.png)
Visualize os keypoints detectados nas duas imagens
Compare os resultados e analise:
- Quantos keypoints foram detectados em cada imagem?
- Existe alguma região com maior concentração de keypoints?
- Você consegue identificar visualmente pontos correspondentes entre as duas imagens?

Dica: Use a mesma configuração do ORB para ambas as imagens para uma comparação justa.

In [12]:

Copied!

# Implemente sua solução para o Desafio 2 aqui

# Detectar keypoints e calcular descritores na imagem da cena
kp2, des2 = orb.detectAndCompute(img2, None)

print(f"Keypoints na imagem template: {len(kp1)}")
print(f"Keypoints na imagem da cena: {len(kp2)}")

# Visualizar os keypoints nas duas imagens
# ...
# Implemente sua solução para o Desafio 2 aqui

# Detectar keypoints e calcular descritores na imagem da cena
kp2, des2 = orb.detectAndCompute(img2, None)

print(f"Keypoints na imagem template: {len(kp1)}")
print(f"Keypoints na imagem da cena: {len(kp2)}")

# Visualizar os keypoints nas duas imagens
# ...

In [13]:

Copied!





%matplotlib inline
import cv2
from matplotlib import pyplot as plt
import numpy as np

# Carregar as imagens
img1 = cv2.imread('box.png', 0)  # Template (objeto de referência)
img2 = cv2.imread('box_in_scene.png', 0)  # Imagem de busca

# Criar detector ORB
orb = cv2.ORB_create(nfeatures=1000)  # Aumentando o número de features para melhor visualização

# Calcular keypoints e descritores
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)

print(f"Keypoints na imagem template: {len(kp1)}")
print(f"Keypoints na imagem da cena: {len(kp2)}")

# Desenhar keypoints nas imagens
img1_keypoints = cv2.drawKeypoints(img1, kp1, outImage=None, color=(0, 255, 0),
                                  flags=cv2.DrawMatchesFlags_DEFAULT)
img2_keypoints = cv2.drawKeypoints(img2, kp2, outImage=None, color=(0, 255, 0),
                                  flags=cv2.DrawMatchesFlags_DEFAULT)

# Visualizar os resultados
plt.figure(figsize=(15, 7))

plt.subplot(1, 2, 1)
plt.title("Keypoints no Template")
plt.imshow(img1_keypoints)

plt.subplot(1, 2, 2)
plt.title("Keypoints na Cena")
plt.imshow(img2_keypoints)

plt.tight_layout()
plt.show()
%matplotlib inline
import cv2
from matplotlib import pyplot as plt
import numpy as np

# Carregar as imagens
img1 = cv2.imread('box.png', 0)  # Template (objeto de referência)
img2 = cv2.imread('box_in_scene.png', 0)  # Imagem de busca

# Criar detector ORB
orb = cv2.ORB_create(nfeatures=1000)  # Aumentando o número de features para melhor visualização

# Calcular keypoints e descritores
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)

print(f"Keypoints na imagem template: {len(kp1)}")
print(f"Keypoints na imagem da cena: {len(kp2)}")

# Desenhar keypoints nas imagens
img1_keypoints = cv2.drawKeypoints(img1, kp1, outImage=None, color=(0, 255, 0),
                                  flags=cv2.DrawMatchesFlags_DEFAULT)
img2_keypoints = cv2.drawKeypoints(img2, kp2, outImage=None, color=(0, 255, 0),
                                  flags=cv2.DrawMatchesFlags_DEFAULT)

# Visualizar os resultados
plt.figure(figsize=(15, 7))

plt.subplot(1, 2, 1)
plt.title("Keypoints no Template")
plt.imshow(img1_keypoints)

plt.subplot(1, 2, 2)
plt.title("Keypoints na Cena")
plt.imshow(img2_keypoints)

plt.tight_layout()
plt.show()

Matching de Features: Encontrando Correspondências¶

Agora que detectamos keypoints em ambas as imagens, precisamos encontrar quais pontos da imagem de referência correspondem aos pontos da imagem de busca.

Algoritmos de Matching:¶

Brute-Force Matcher: Compara cada descritor da primeira imagem com todos os descritores da segunda imagem.
FLANN (Fast Library for Approximate Nearest Neighbors): Mais rápido para grandes conjuntos de dados.

Vamos usar o Brute-Force Matcher que é mais simples e adequado para nosso exemplo:

In [14]:

Copied!





# Criar o objeto BFMatcher (Brute-Force Matcher)
# NORM_HAMMING é usado para descritores binários como ORB
# crossCheck=True garante que as correspondências sejam mutuamente melhores
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

# Encontrar correspondências entre os descritores
matches = bf.match(des1, des2)

print(f"Foram encontradas {len(matches)} correspondências entre as imagens")

# Desenhar todas as correspondências
img_matches = cv2.drawMatches(img1, kp1, img2, kp2, matches, None, 
                             flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)

plt.figure(figsize=(20, 10))
plt.title('Todas as correspondências encontradas')
plt.imshow(img_matches)
plt.show()
# Criar o objeto BFMatcher (Brute-Force Matcher)
# NORM_HAMMING é usado para descritores binários como ORB
# crossCheck=True garante que as correspondências sejam mutuamente melhores
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

# Encontrar correspondências entre os descritores
matches = bf.match(des1, des2)

print(f"Foram encontradas {len(matches)} correspondências entre as imagens")

# Desenhar todas as correspondências
img_matches = cv2.drawMatches(img1, kp1, img2, kp2, matches, None, 
                             flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)

plt.figure(figsize=(20, 10))
plt.title('Todas as correspondências encontradas')
plt.imshow(img_matches)
plt.show()

Filtragem de Correspondências¶

Como podemos observar, nem todas as correspondências encontradas são corretas. Muitas são falsos positivos. Podemos melhorar o resultado ordenando as correspondências por qualidade e selecionando apenas as melhores.

Como filtrar?¶

A qualidade de uma correspondência é determinada pelo atributo distance do objeto DMatch. Quanto menor a distância, melhor é a correspondência.

Vamos ordenar as correspondências por distância e ficar apenas com as melhores:

Sobre ordenação em Python com `sorted()` e funções lambda¶

Em Python, podemos usar a função sorted() para ordenar uma lista. Quando queremos ordenar por um critério específico, usamos a função lambda como uma função de chave:

In [ ]:

Copied!





# Exemplo: ordenação em Python com sorted() e funções lambda

# Lista de compras: (item, preço)
lista = [
    ('Banana', 18),
    ('Maçã', 1),
    ('Goiaba', 20),
    ('Uva', 22),
    ('Pera', 12)
]

print("Lista não ordenada:", lista)

# Ordenar por ordem alfabética (primeiro elemento da tupla)
lista_ord = sorted(lista)
print("\nLista ordenada por nome (ordem alfabética):", lista_ord)

# Ordenar por preço (segundo elemento da tupla)
lista_ord_preco = sorted(lista, key=lambda x: x[1])
print("\nLista ordenada por preço (crescente):", lista_ord_preco)

# Ordenar por preço decrescente
lista_ord_preco_desc = sorted(lista, key=lambda x: x[1], reverse=True)
print("\nLista ordenada por preço (decrescente):", lista_ord_preco_desc)
# Exemplo: ordenação em Python com sorted() e funções lambda

# Lista de compras: (item, preço)
lista = [
    ('Banana', 18),
    ('Maçã', 1),
    ('Goiaba', 20),
    ('Uva', 22),
    ('Pera', 12)
]

print("Lista não ordenada:", lista)

# Ordenar por ordem alfabética (primeiro elemento da tupla)
lista_ord = sorted(lista)
print("\nLista ordenada por nome (ordem alfabética):", lista_ord)

# Ordenar por preço (segundo elemento da tupla)
lista_ord_preco = sorted(lista, key=lambda x: x[1])
print("\nLista ordenada por preço (crescente):", lista_ord_preco)

# Ordenar por preço decrescente
lista_ord_preco_desc = sorted(lista, key=lambda x: x[1], reverse=True)
print("\nLista ordenada por preço (decrescente):", lista_ord_preco_desc)

Aplicando Filtragem às Correspondências¶

Agora vamos ordenar as correspondências (matches) encontradas pelo atributo distance e selecionar apenas as melhores para visualização:

Propriedades do objeto DMatch:¶

DMatch.distance: Distância entre os descritores (menor = melhor)
DMatch.queryIdx: Índice do keypoint na imagem de consulta (template)
DMatch.trainIdx: Índice do keypoint na imagem de teste (cena)
DMatch.imgIdx: Índice da imagem de teste (útil em casos com múltiplas imagens)

https://docs.opencv.org/4.9.0/d4/de0/classcv_1_1DMatch.html

In [ ]:

Copied!

help(cv2.DMatch)
help(cv2.DMatch)

In [ ]:

Copied!





# Ordenar as correspondências por distância (menor para maior)
matches = sorted(matches, key=lambda x: x.distance)

# Ver as distâncias das 10 melhores correspondências
print("Distâncias das 10 melhores correspondências:")
for i, match in enumerate(matches[:10]):
    print(f"Match {i+1}: {match.distance:.2f}")
# Ordenar as correspondências por distância (menor para maior)
matches = sorted(matches, key=lambda x: x.distance)

# Ver as distâncias das 10 melhores correspondências
print("Distâncias das 10 melhores correspondências:")
for i, match in enumerate(matches[:10]):
    print(f"Match {i+1}: {match.distance:.2f}")

In [ ]:

Copied!





# Desenhar apenas as 15 melhores correspondências
num_best_matches = 15
img_best_matches = cv2.drawMatches(img1, kp1, img2, kp2, matches[:num_best_matches], None, 
                                  flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)

plt.figure(figsize=(20, 10))
plt.title(f'As {num_best_matches} melhores correspondências')
plt.imshow(img_best_matches)
plt.show()
# Desenhar apenas as 15 melhores correspondências
num_best_matches = 15
img_best_matches = cv2.drawMatches(img1, kp1, img2, kp2, matches[:num_best_matches], None, 
                                  flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)

plt.figure(figsize=(20, 10))
plt.title(f'As {num_best_matches} melhores correspondências')
plt.imshow(img_best_matches)
plt.show()

🔍 Desafio 3: Implementando SIFT¶

SIFT (Scale-Invariant Feature Transform) é um dos algoritmos mais robustos para detecção e descrição de features. Vamos implementar o mesmo exemplo usando SIFT em vez de ORB.

Sua missão:¶

Modifique o código para usar o algoritmo SIFT
Para matching, use o método knnMatch() do BFMatcher que permite encontrar os k vizinhos mais próximos
Implemente a filtragem de correspondências usando o teste de ratio de Lowe
- Este teste compara a distância do melhor match com o segundo melhor
- Se ratio = d1/d2 < 0.75, então é um bom match

Dica: Use cv2.SIFT_create() para criar o detector e descritor SIFT. Para o BFMatcher, use cv2.NORM_L2 em vez de cv2.NORM_HAMMING.

In [ ]:

Copied!





# Implemente sua solução para o Desafio 3 aqui

# Exemplo de implementação com SIFT
import cv2
import numpy as np
from matplotlib import pyplot as plt

# Carregar as imagens
img1 = cv2.imread('box.png', 0)  # Template
img2 = cv2.imread('box_in_scene.png', 0)  # Cena

# Inicializar SIFT
sift = cv2.SIFT_create()

# Detectar keypoints e descritores
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)

# Criar o BFMatcher - NORM_L2 para descritores baseados em gradiente como SIFT
bf = cv2.BFMatcher(cv2.NORM_L2, crossCheck=False)

# Encontrar os 2 melhores matches para cada descritor
matches = bf.knnMatch(des1, des2, k=2)

# Aplicar o teste de ratio de Lowe
good_matches = []
for m, n in matches:
    if m.distance < 0.75 * n.distance:
        good_matches.append(m)

print(f"Foram encontrados {len(good_matches)} bons matches após filtro de ratio")

# Desenhar os matches
img_matches = cv2.drawMatches(img1, kp1, img2, kp2, good_matches, None, 
                             flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)

plt.figure(figsize=(20, 10))
plt.title('SIFT: Matches após filtro de ratio de Lowe')
plt.imshow(img_matches)
plt.show()
# Implemente sua solução para o Desafio 3 aqui

# Exemplo de implementação com SIFT
import cv2
import numpy as np
from matplotlib import pyplot as plt

# Carregar as imagens
img1 = cv2.imread('box.png', 0)  # Template
img2 = cv2.imread('box_in_scene.png', 0)  # Cena

# Inicializar SIFT
sift = cv2.SIFT_create()

# Detectar keypoints e descritores
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)

# Criar o BFMatcher - NORM_L2 para descritores baseados em gradiente como SIFT
bf = cv2.BFMatcher(cv2.NORM_L2, crossCheck=False)

# Encontrar os 2 melhores matches para cada descritor
matches = bf.knnMatch(des1, des2, k=2)

# Aplicar o teste de ratio de Lowe
good_matches = []
for m, n in matches:
    if m.distance < 0.75 * n.distance:
        good_matches.append(m)

print(f"Foram encontrados {len(good_matches)} bons matches após filtro de ratio")

# Desenhar os matches
img_matches = cv2.drawMatches(img1, kp1, img2, kp2, good_matches, None, 
                             flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)

plt.figure(figsize=(20, 10))
plt.title('SIFT: Matches após filtro de ratio de Lowe')
plt.imshow(img_matches)
plt.show()

🔍 Desafio 4: Detecção em Tempo Real¶

IMPORTANTE: Este desafio deve ser executado localmente em sua máquina, não no Google Colab.

Sua missão:¶

Crie um script Python (.py) que capture vídeo da webcam
Implemente a detecção de um objeto em tempo real usando técnicas de feature matching
Desenhe um contorno ao redor do objeto quando for encontrado

Procedimentos:¶

Escolha uma imagem de referência (template) - sugestão: um livro ou outro objeto plano com textura
Extraia features do template usando ORB ou SIFT
Para cada frame do vídeo:
- Extraia features
- Encontre matches
- Filtre os bons matches
- Use findHomography para mapear as coordenadas
- Desenhe um polígono ao redor do objeto detectado

Função auxiliar para desenhar o contorno:¶

def desenhaContorno(qp, tp, refImg, frame):
    """
        essa função do tipo void que desenha o contorno quando existe matches das duas imagens
        
        recebe:
         - qp,tp que representa a conversão de keypoints em argumentos para o findhomography ref:https://answers.opencv.org/question/122802/how-to-convert-keypoints-to-an-argument-for-findhomography/
         - refImg = imagem de referência
         - frame = imagem de destino onde será desenhado o contorno

    """
        # o findHomography mapeia os pontos de um plano em outro.
        # ou seja, mapeia os keypoints da imagem ref em frame
        H,status=cv2.findHomography(qp,tp,cv2.RANSAC,3.0)
        
        # extrai o shape da imagem de referencia
        h,w=refImg.shape
        # Mapeia os pontos das bordas com base no shape refImg (imagem de referncia), são 4 pontos
        #  [0,0]        [w-1,0]
        #
        # 
        #  [0,h-1]      [w-1,h-1]
        #
        refBorda=np.float32([[[0,0],[0,h-1],[w-1,h-1],[w-1,0]]])
        # Usa refBorda e a matrix de homografia H para calcular a matrix transformação de pespectiva
        frameBorda=cv2.perspectiveTransform(refBorda,H)
        # polylines desenha poligonos ou qualquer imagem, na cor verde e largura do traço igual a 5.
        cv2.polylines(frame,[np.int32(frameBorda)],True,(0,255,0),5)

In [ ]:

Copied!

# ATENÇÃO: Este desafio deve ser executado em sua máquina local
# Não execute este código no navegador ou no Google Colab
# ATENÇÃO: Este desafio deve ser executado em sua máquina local
# Não execute este código no navegador ou no Google Colab

Aplicação Prática: Criando Imagens Panorâmicas¶

Uma aplicação muito comum de feature matching é a criação de imagens panorâmicas (stitching). Este processo envolve:

Detectar keypoints e calcular descritores em ambas as imagens
Encontrar correspondências entre os descritores
Calcular a transformação homográfica entre as imagens
Aplicar warping para alinhar as imagens
Combinar (blend) as imagens alinhadas

A OpenCV fornece a classe cv2.Stitcher que implementa todo esse processo de forma otimizada.

In [ ]:

Copied!





%matplotlib inline
import cv2
from matplotlib import pyplot as plt
import numpy as np


img1 = cv2.imread("q11.jpg")
img2 = cv2.imread("q22.jpg")
    
# Exibir as imagens que serão combinadas
plt.figure(figsize=(15, 8))
plt.subplot(1, 2, 1)
plt.title("Imagem 1")
plt.imshow(cv2.cvtColor(img1, cv2.COLOR_BGR2RGB))


plt.subplot(1, 2, 2)
plt.title("Imagem 2")
plt.imshow(cv2.cvtColor(img2, cv2.COLOR_BGR2RGB))

plt.tight_layout()
plt.show()
%matplotlib inline
import cv2
from matplotlib import pyplot as plt
import numpy as np


img1 = cv2.imread("q11.jpg")
img2 = cv2.imread("q22.jpg")
    
# Exibir as imagens que serão combinadas
plt.figure(figsize=(15, 8))
plt.subplot(1, 2, 1)
plt.title("Imagem 1")
plt.imshow(cv2.cvtColor(img1, cv2.COLOR_BGR2RGB))


plt.subplot(1, 2, 2)
plt.title("Imagem 2")
plt.imshow(cv2.cvtColor(img2, cv2.COLOR_BGR2RGB))

plt.tight_layout()
plt.show()

In [ ]:

Copied!





# Criar o objeto Stitcher
# Modos disponíveis: PANORAMA (padrão) ou SCANS
stitcher = cv2.Stitcher.create(mode=cv2.Stitcher_PANORAMA)

# Realizar o stitching
# status: código de erro/sucesso
# result: imagem panorâmica resultante
(status, result) = stitcher.stitch((img1, img2))

# Verificar o resultado
if status == cv2.Stitcher_OK:
    print("✅ Sucesso! Panorama criado com sucesso.")
    print(f"Dimensões da imagem resultante: {result.shape}")
else:
    print("❌ Falha ao criar panorama.")
    print(f"Status: {status}")
    # Códigos de erro possíveis:
    # cv2.Stitcher_ERR_NEED_MORE_IMGS (1): Precisa de mais imagens
    # cv2.Stitcher_ERR_HOMOGRAPHY_EST_FAIL (2): Falha na estimativa de homografia
    # cv2.Stitcher_ERR_CAMERA_PARAMS_ADJUST_FAIL (3): Falha no ajuste de parâmetros da câmera
# Criar o objeto Stitcher
# Modos disponíveis: PANORAMA (padrão) ou SCANS
stitcher = cv2.Stitcher.create(mode=cv2.Stitcher_PANORAMA)

# Realizar o stitching
# status: código de erro/sucesso
# result: imagem panorâmica resultante
(status, result) = stitcher.stitch((img1, img2))

# Verificar o resultado
if status == cv2.Stitcher_OK:
    print("✅ Sucesso! Panorama criado com sucesso.")
    print(f"Dimensões da imagem resultante: {result.shape}")
else:
    print("❌ Falha ao criar panorama.")
    print(f"Status: {status}")
    # Códigos de erro possíveis:
    # cv2.Stitcher_ERR_NEED_MORE_IMGS (1): Precisa de mais imagens
    # cv2.Stitcher_ERR_HOMOGRAPHY_EST_FAIL (2): Falha na estimativa de homografia
    # cv2.Stitcher_ERR_CAMERA_PARAMS_ADJUST_FAIL (3): Falha no ajuste de parâmetros da câmera

In [ ]:

Copied!





# Exibir o resultado
if status == cv2.Stitcher_OK:
    plt.figure(figsize=(15, 10))
    plt.title("Panorama resultante")
    plt.imshow(cv2.cvtColor(result, cv2.COLOR_BGR2RGB))
    plt.axis('off')
    plt.show()
# Exibir o resultado
if status == cv2.Stitcher_OK:
    plt.figure(figsize=(15, 10))
    plt.title("Panorama resultante")
    plt.imshow(cv2.cvtColor(result, cv2.COLOR_BGR2RGB))
    plt.axis('off')
    plt.show()

Pós-processamento: Recortando as Bordas¶

Como podemos observar, o panorama resultante possui bordas irregulares devido ao processo de warping. Podemos realizar um recorte (crop) para obter uma imagem retangular limpa.

In [ ]:

Copied!





# Recortando as bordas da imagem panorâmica
if status == cv2.Stitcher_OK:
    # Obter dimensões da imagem
    h, w = result.shape[:2]
    print(f"Dimensões originais: {h} x {w}")
    
    # Método simples: recorte manual
    # Ajuste estes valores conforme necessário para sua imagem específica
    margin_top = int(h * 0.05)      # 5% de margem superior
    margin_bottom = int(h * 0.15)   # 15% de margem inferior
    margin_left = int(w * 0.01)     # 1% de margem esquerda
    margin_right = int(w * 0.01)    # 1% de margem direita
    
    crop = result[margin_top:h-margin_bottom, 
                  margin_left:w-margin_right]
    
    print(f"Dimensões após recorte: {crop.shape[0]} x {crop.shape[1]}")
    
    plt.figure(figsize=(15, 10))
    plt.title("Panorama recortado")
    plt.imshow(cv2.cvtColor(crop, cv2.COLOR_BGR2RGB))
    plt.axis('off')
    plt.show()
    
    # Alternativa: Para um recorte mais preciso, você poderia:
    # 1. Converter para escala de cinza
    # 2. Binarizar a imagem para encontrar a região não-preta
    # 3. Encontrar o retângulo de recorte otimizado
    # Este é um exercício adicional que você pode implementar!
# Recortando as bordas da imagem panorâmica
if status == cv2.Stitcher_OK:
    # Obter dimensões da imagem
    h, w = result.shape[:2]
    print(f"Dimensões originais: {h} x {w}")
    
    # Método simples: recorte manual
    # Ajuste estes valores conforme necessário para sua imagem específica
    margin_top = int(h * 0.05)      # 5% de margem superior
    margin_bottom = int(h * 0.15)   # 15% de margem inferior
    margin_left = int(w * 0.01)     # 1% de margem esquerda
    margin_right = int(w * 0.01)    # 1% de margem direita
    
    crop = result[margin_top:h-margin_bottom, 
                  margin_left:w-margin_right]
    
    print(f"Dimensões após recorte: {crop.shape[0]} x {crop.shape[1]}")
    
    plt.figure(figsize=(15, 10))
    plt.title("Panorama recortado")
    plt.imshow(cv2.cvtColor(crop, cv2.COLOR_BGR2RGB))
    plt.axis('off')
    plt.show()
    
    # Alternativa: Para um recorte mais preciso, você poderia:
    # 1. Converter para escala de cinza
    # 2. Binarizar a imagem para encontrar a região não-preta
    # 3. Encontrar o retângulo de recorte otimizado
    # Este é um exercício adicional que você pode implementar!

Lab9 - Features

Features e Descritores em Visão Computacional¶

Objetivos da aula:¶

Contextualização do Problema¶

O Desafio: Detectar um Objeto em uma Cena¶

Reflexão Inicial¶

Introdução às Features em Visão Computacional¶

O que são Features?¶

Features Ideais devem ser:¶

Principais Algoritmos de Detecção e Descrição de Features:¶

Aplicações:¶

Detecção de Features com ORB¶

O que são Descritores?¶

🔍 Desafio 1: Explorando Parâmetros do ORB¶

Sua missão:¶

Exemplo de resultado com poucas features¶

Detectando o Objeto na Cena¶

🔍 Desafio 2: Comparando Keypoints¶

Sua missão:¶

Matching de Features: Encontrando Correspondências¶

Algoritmos de Matching:¶

Filtragem de Correspondências¶

Como filtrar?¶

Sobre ordenação em Python com sorted() e funções lambda¶

Aplicando Filtragem às Correspondências¶

Propriedades do objeto DMatch:¶

🔍 Desafio 3: Implementando SIFT¶

Sua missão:¶

🔍 Desafio 4: Detecção em Tempo Real¶

Sua missão:¶

Procedimentos:¶

Função auxiliar para desenhar o contorno:¶

Aplicação Prática: Criando Imagens Panorâmicas¶

Pós-processamento: Recortando as Bordas¶

Sobre ordenação em Python com `sorted()` e funções lambda¶