def get_local_features(params, image):
#orb=cv2.ORB(nfeatures=2000)
#ORB obté 500 características de serie
#Calculem els ORB per a la imatge
img = cv2.imread(image)
#Fem un resize de la imatge a la meitat de la original
#img=cv2.resize(img, (0,0), fx=0.5, fy=0.5)
img = cv2.resize(img, (250, 250))
#Si volem un tamany específic ho fem aixi: img = cv2.resize(img, (250, 250))
#Guardem els Keypoints
#kp=orb.detect(img,None)
#Guardem els Keypoints i els descriptors per la imatge
#kp,des= orb.compute(img,kp,params['descriptor_size'])
#Retornem els descriptors de la imatge
#return des
# load the image we are going to extract descriptors from and convert
# it to grayscale
###img = cv2.imread(image)
###img=cv2.resize(img, (0,0), fx=0.5, fy=0.5)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# detect Difference of Gaussian keypoints in the image
detector = cv2.FeatureDetector_create("SIFT")
kp = detector.detect(gray)
# extract normal SIFT descriptors
extractor = cv2.DescriptorExtractor_create("SIFT")
(kp, des) = extractor.compute(gray, kp)
#print "SIFT: kps=%d, descriptors=%s " % (len(kps), descs1.shape)
#Guardamos los descriptores SIFT para realizar su concatenación
#kp_sift=kp
des_sift = des
# extract RootSIFT descriptors
###surf = cv2.SURF()
###kp, des = surf.compute(gray,kp,params['descriptor_size'])
rs = RootSIFT()
kp, des = rs.compute(gray, kp, params['descriptor_size'])
# print("calculando el rotsift")
#des= np.concatenate(des_sift,des)
# print("calculando la concatenacion")
#Guardamos los descriptores en un archivo de texto
# print(kp)
#keypoints = open (os.path.join(params['root'],params['database'],'train','keypoints.txt'), 'w')
#keypoints.write(image,kp)
#print "RootSIFT: kps=%d, descriptors=%s " % (len(kp), des.shape)
#descs=np.concatenate((descs1,descs2))
return des, des_sift
def get_local_features(params,image):
#orb=cv2.ORB(nfeatures=2000)
#ORB obté 500 características de serie
#Calculem els ORB per a la imatge
img = cv2.imread(image)
#Fem un resize de la imatge a la meitat de la original
#img=cv2.resize(img, (0,0), fx=0.5, fy=0.5)
img = cv2.resize(img, (250, 250))
#Si volem un tamany específic ho fem aixi: img = cv2.resize(img, (250, 250))
#Guardem els Keypoints
#kp=orb.detect(img,None)
#Guardem els Keypoints i els descriptors per la imatge
#kp,des= orb.compute(img,kp,params['descriptor_size'])
#Retornem els descriptors de la imatge
#return des
# load the image we are going to extract descriptors from and convert
# it to grayscale
###img = cv2.imread(image)
###img=cv2.resize(img, (0,0), fx=0.5, fy=0.5)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# detect Difference of Gaussian keypoints in the image
detector = cv2.FeatureDetector_create("SIFT")
kp = detector.detect(gray)
# extract normal SIFT descriptors
extractor = cv2.DescriptorExtractor_create("SIFT")
(kp, des) = extractor.compute(gray, kp)
#print "SIFT: kps=%d, descriptors=%s " % (len(kps), descs1.shape)
#Guardamos los descriptores SIFT para realizar su concatenación
#kp_sift=kp
des_sift=des
# extract RootSIFT descriptors
###surf = cv2.SURF()
###kp, des = surf.compute(gray,kp,params['descriptor_size'])
rs = RootSIFT()
kp,des= rs.compute(gray,kp,params['descriptor_size'])
# print("calculando el rotsift")
#des= np.concatenate(des_sift,des)
# print("calculando la concatenacion")
#Guardamos los descriptores en un archivo de texto
# print(kp)
#keypoints = open (os.path.join(params['root'],params['database'],'train','keypoints.txt'), 'w')
#keypoints.write(image,kp)
#print "RootSIFT: kps=%d, descriptors=%s " % (len(kp), des.shape)
#descs=np.concatenate((descs1,descs2))
return des,des_sift
def get_local_features(params,image):
img = cv2.imread(image)
#Fem un resize de la imatge
img = resize_image(params,img) #Si volem un tamany específic ho fem aixi: img = cv2.resize(img, (250, 250))
# load the image we are going to extract descriptors from and convert
# it to grayscale
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# detect Difference of Gaussian keypoints in the image
detector = cv2.FeatureDetector_create("SIFT")
kp = detector.detect(gray,None)
# extract and compute RootSIFT descriptors
extractor = RootSIFT()
kp,des= extractor.compute(gray,kp,params['descriptor_size'])
return des
def get_local_features(params,image):
img = cv2.imread(image)
#Fem un resize de la imatge
img = cv2.resize(img, (250, 250))
# load the image we are going to extract descriptors from and convert
# it to grayscale
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# detect Difference of Gaussian keypoints in the image
detector = cv2.FeatureDetector_create("SIFT")
kp = detector.detect(gray,None)
# extract and compute RootSIFT descriptors
extractor = RootSIFT()
kp,des= extractor.compute(gray,kp,params['descriptor_size'])
return des
