【Python実践】OpenCV×SIFTで画像分類！特徴量を活かした分析手法（コピペで使えるサンプルコード付き）

import cv2
import numpy as np

# 画像を読み込む
image = cv2.imread(r"P:\target.png", cv2.IMREAD_GRAYSCALE)

# SIFTの特徴抽出器を作成
sift = cv2.SIFT_create()

# キーポイントと特徴量を抽出
keypoints, descriptors = sift.detectAndCompute(image, None)

# キーポイントを画像に描画
image_with_keypoints = cv2.drawKeypoints(image, keypoints, None)

# 画像を表示
cv2.imshow("SIFT Keypoints", image_with_keypoints)
cv2.waitKey(0)
cv2.destroyAllWindows()

import cv2
import os

# 特徴画像の読み込み（比較対象となる基準画像）
target_img = cv2.imread(r"P:\target.png", cv2.IMREAD_GRAYSCALE)

# SIFT特徴抽出を行うためのオブジェクトを作成
sift = cv2.SIFT_create()

# 基準画像の特徴点と記述子（descriptors）を抽出
_, descriptors_target = sift.detectAndCompute(target_img, None)

# Brute Force Matcher（最近傍探索）を設定
# NORM_L2はSIFTのような浮動小数点の記述子と相性が良い
bf = cv2.BFMatcher(cv2.NORM_L2, crossCheck=True)

# 類似度を比較する画像が保存されているフォルダ（検索対象フォルダ）
search_folder = r"P:\annotated_images"

# 画像ファイルごとの類似度を記録するリスト
results = []

# フォルダ内の全画像を処理
for image_file in os.listdir(search_folder):

    # 画像ファイルのパスを取得し、グレースケールで読み込み
    image = cv2.imread(os.path.join(search_folder, image_file), cv2.IMREAD_GRAYSCALE)

    # 現在処理している画像の特徴点と記述子を抽出
    _, descriptors = sift.detectAndCompute(image, None)

    # 特徴点のマッチング（基準画像と現在の画像を比較）
    matches = bf.match(descriptors_target, descriptors)

    # マッチした特徴点の距離の平均を類似度スコアとして計算
    # 距離が小さいほど、画像同士が類似していると判断できる
    score = sum(m.distance for m in matches) / len(matches)

    # 画像ファイル名と類似度スコアを記録
    results.append((image_file, round(score, 2)))

# 類似度スコアを表示
for file, score in results:
    print(f"{file}: 類似度スコア {score}")

import matplotlib.pyplot as plt
from matplotlib import rcParams
import re

rcParams['font.family'] = 'Meiryo'

# 連番でソート
results.sort(key=lambda x: int(re.search(r"_(\d+)", x[0]).group(1)))

# 連番とスコアをそれぞれのリストに格納
serial_numbers = [int(re.search(r"_(\d+)", file).group(1)) for file, score in results]
scores = [score for _, score in results]

# 縦棒グラフを作成
plt.figure(figsize=(10, 6))
plt.bar(serial_numbers, scores, color="skyblue")
plt.xlabel("画像の連番")
plt.ylabel("類似度スコア")
plt.title("画像の類似度スコア（連番順）")
plt.xticks(serial_numbers)
plt.grid(axis="y", linestyle="--", alpha=0.5)

# グラフを表示
plt.show()

import cv2
import numpy as np
import os
import shutil
from sklearn.cluster import KMeans

def extract_sift_features(image_folder, crop_coords):
    """
    指定フォルダ内の画像からSIFT特徴量を抽出し、指定範囲を切り取って3倍に拡大して処理する。

    Args:
        image_folder (str): 画像が格納されているフォルダのパス
        crop_coords (tuple): 切り取る領域 (x, y, w, h)

    Returns:
        np.array: 画像の特徴ベクトルリスト
        list: 画像ファイル名のリスト
    """
    sift = cv2.SIFT_create()
    descriptors_list = []
    image_names = []

    for filename in os.listdir(image_folder):
        image_path = os.path.join(image_folder, filename)
        image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)

        if image is not None:
            # 指定範囲で切り取る
            x, y, w, h = crop_coords
            cropped_image = image[y:y+h, x:x+w]

            # 切り取った領域を3倍に拡大
            resized_image = cv2.resize(cropped_image, (w * 3, h * 3), interpolation=cv2.INTER_CUBIC)

            # SIFT特徴量を抽出
            keypoints, descriptors = sift.detectAndCompute(resized_image, None)
            if descriptors is not None:
                descriptors_list.append(descriptors)
                image_names.append(filename)

    # すべての特徴量を統合
    if descriptors_list:
        return np.vstack(descriptors_list), image_names
    else:
        return None, None

def cluster_kmeans(all_descriptors, image_names, num_clusters=5):
    """
    SIFT特徴量を直接K-meansクラスタリングで分類する。

    Args:
        all_descriptors (np.array): SIFT特徴量リスト
        image_names (list): 画像ファイル名のリスト
        num_clusters (int): 生成するクラスタの数

    Returns:
        list: クラスの割り当てリスト
    """
    kmeans = KMeans(n_clusters=num_clusters, random_state=0)
    kmeans.fit(all_descriptors)

    image_classes = kmeans.predict(all_descriptors)

    for idx, filename in enumerate(image_names):
        print(f"画像: {filename} -> クラス: {image_classes[idx]}")

    return image_classes

def organize_images(image_folder, image_names, image_classes, output_folder):
    """
    クラスごとのサブフォルダを作成し、分類された画像を振り分けコピーする。

    Args:
        image_folder (str): 元の画像フォルダのパス
        image_names (list): 画像ファイル名のリスト
        image_classes (list): 各画像の分類クラス
        output_folder (str): 結果を保存するフォルダ
    """
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)

    for idx, filename in enumerate(image_names):
        class_folder = os.path.join(output_folder, f"class_{image_classes[idx]}")
        if not os.path.exists(class_folder):
            os.makedirs(class_folder)

        source_path = os.path.join(image_folder, filename)
        dest_path = os.path.join(class_folder, filename)
        shutil.copy(source_path, dest_path)

    print("画像の分類とコピーが完了しました！")

#=============================================================
# 実行部分
#=============================================================
image_folder = r"P:\annotated_images"
output_folder = r"P:\classified_images"
crop_coords = (50, 50, 150, 300)  # 切り取り範囲

# SIFT特徴量を抽出（指定範囲＋3倍拡大）
all_descriptors, image_names = extract_sift_features(image_folder, crop_coords)

if all_descriptors is not None:
    # K-meansクラスタリングで分類（BoVWなし）
    image_classes = cluster_kmeans(all_descriptors, image_names, num_clusters=5)

    # フォルダに振り分け
    organize_images(image_folder, image_names, image_classes, output_folder)
else:
    print("画像から特徴量を取得できませんでした。")

import cv2
import numpy as np
import os
import shutil
from sklearn.cluster import KMeans
from sklearn.preprocessing import normalize

def extract_sift_features(image_folder, crop_coords):
    """
    指定フォルダ内の画像からSIFT特徴量を抽出し、指定範囲を切り取って3倍に拡大して処理する。

    Args:
        image_folder (str): 画像が格納されているフォルダのパス
        crop_coords (tuple): 切り取る領域 (x, y, w, h)

    Returns:
        np.array: 画像の特徴ベクトルリスト
        list: 画像ごとの特徴量リスト
        list: 画像ファイル名のリスト
    """
    sift = cv2.SIFT_create()
    descriptors_list = []
    image_names = []

    for filename in os.listdir(image_folder):
        image_path = os.path.join(image_folder, filename)
        image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)

        if image is not None:
            # 指定範囲で切り取る
            x, y, w, h = crop_coords
            cropped_image = image[y:y+h, x:x+w]

            # 切り取った領域を3倍に拡大
            resized_image = cv2.resize(cropped_image, (w * 3, h * 3), interpolation=cv2.INTER_CUBIC)

            # SIFT特徴量を抽出
            keypoints, descriptors = sift.detectAndCompute(resized_image, None)
            if descriptors is not None:
                descriptors_list.append(descriptors)
                image_names.append(filename)

    return np.vstack(descriptors_list), descriptors_list, image_names

def build_vocabulary(descriptors, num_words=100):
    """
    特徴量をクラスタリングし、視覚単語（BoVW辞書）を作成する。

    Args:
        descriptors (np.array): すべての画像のSIFT特徴量
        num_words (int): 辞書のサイズ（クラスタ数）

    Returns:
        KMeans: 学習済みK-meansモデル
    """
    kmeans = KMeans(n_clusters=num_words, random_state=0)
    kmeans.fit(descriptors)
    return kmeans

def extract_bovw_features(kmeans, descriptors_list, num_words):
    """
    BoVWヒストグラムを作成し、画像特徴量を統一する。（L2正規化を追加）

    Args:
        kmeans (KMeans): 学習済み辞書
        descriptors_list (list): 各画像のSIFT特徴量リスト
        num_words (int): 辞書のサイズ（クラスタ数）

    Returns:
        np.array: BoVWヒストグラムのリスト
    """
    image_vectors = []
    for descriptors in descriptors_list:
        words = kmeans.predict(descriptors)
        hist, _ = np.histogram(words, bins=np.arange(num_words+1))
        image_vectors.append(hist)

    return normalize(np.array(image_vectors))  # ヒストグラム正規化（L2）

def cluster_kmeans(image_vectors, image_names, num_clusters=5):
    """
    BoVWヒストグラムをK-meansクラスタリングで分類する。

    Args:
        image_vectors (np.array): BoVWヒストグラムのリスト
        image_names (list): 画像ファイル名のリスト
        num_clusters (int): 生成するクラスタの数

    Returns:
        list: クラスの割り当てリスト
    """
    kmeans = KMeans(n_clusters=num_clusters, random_state=0)
    kmeans.fit(image_vectors)

    image_classes = kmeans.labels_

    for idx, filename in enumerate(image_names):
        print(f"画像: {filename} -> クラス: {image_classes[idx]}")

    return image_classes

def organize_images(image_folder, image_names, image_classes, output_folder):
    """
    クラスごとのサブフォルダを作成し、分類された画像を振り分けコピーする。

    Args:
        image_folder (str): 元の画像フォルダのパス
        image_names (list): 画像ファイル名のリスト
        image_classes (list): 各画像の分類クラス
        output_folder (str): 結果を保存するフォルダ
    """
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)

    for idx, filename in enumerate(image_names):
        class_folder = os.path.join(output_folder, f"class_{image_classes[idx]}")
        if not os.path.exists(class_folder):
            os.makedirs(class_folder)

        source_path = os.path.join(image_folder, filename)
        dest_path = os.path.join(class_folder, filename)
        shutil.copy(source_path, dest_path)

    print("画像の分類とコピーが完了しました！")

#=============================================================
# 実行部分
#=============================================================
image_folder = r"P:\annotated_images"  
output_folder = r"P:\classified_images"  
crop_coords = (50, 50, 150, 300)  # 切り取り範囲

# SIFT特徴量を抽出（指定範囲＋3倍拡大）
all_descriptors, descriptors_list, image_names = extract_sift_features(image_folder, crop_coords)

if all_descriptors is not None:
    # BoVW辞書を構築（辞書サイズ100）
    kmeans_vocab = build_vocabulary(all_descriptors, num_words=100)

    # BoVWヒストグラムを取得（L2正規化付き）
    image_vectors = extract_bovw_features(kmeans_vocab, descriptors_list, num_words=100)

    # K-meansクラスタリングで分類（GMM → K-meansに変更）
    image_classes = cluster_kmeans(image_vectors, image_names, num_clusters=5)

    # フォルダに振り分け
    organize_images(image_folder, image_names, image_classes, output_folder)
else:
    print("画像から特徴量を取得できませんでした。")