塔式服务器主机建网站,定制美瞳网站建设,建站网站加盟,app开发上线流程《数字图像处理-OpenCV/Python》第17章#xff1a;图像的特征描述 本书京东 优惠购书链接 https://item.jd.com/14098452.html 本书CSDN 独家连载专栏 https://blog.csdn.net/youcans/category_12418787.html 第17章#xff1a;图像的特征描述 特征检测与匹配是计算机视觉的…《数字图像处理-OpenCV/Python》第17章图像的特征描述 本书京东 优惠购书链接 https://item.jd.com/14098452.html 本书CSDN 独家连载专栏 https://blog.csdn.net/youcans/category_12418787.html 第17章图像的特征描述 特征检测与匹配是计算机视觉的基本任务包括检测、描述和匹配三个相互关联的步骤。广泛应用于目标检测、图像检索、视频跟踪和三维重建等诸多领域。 OpenCV提供了丰富的特征检测和匹配算法不仅继承了cv::Feature2D 类而且采用了统一的定义和封装。 17.1 角点检测之Harris算法
角是直线方向的快速变化角点定义为两条边的交点是简单高效的特征。角点检测Corner Detection是特征检测的基础Harris算法是经典的角点检测算法。 Harris角点检测
Harris角点检测算法的原理是通过检测窗口在图像上移动计算移动前后窗口中像素的灰度变化。角点是两条边的交点其特征是检测窗口沿任方向移动都会导致灰度的显著变化。
Harris算法计算梯度的协方差矩阵M协方差矩阵形状为椭圆长短半轴由特征值 ( λ 1 , λ 2 ) (λ_1, λ_2) (λ1,λ2)决定方向由特征向量决定。定义如下的角点响应函数 R。 R d e t ( M ) − k [ t r a c e ( M ) ] 2 d e t ( M ) λ 1 ∗ λ 2 t r a c e ( M ) λ 1 λ 2 \begin{aligned}R det(M) - k [trace(M)]^2 \\det(M) \lambda _1 * \lambda _2 \\trace(M) \lambda _1 \lambda _2\end{aligned} Rdet(M)−k[trace(M)]2det(M)λ1∗λ2trace(M)λ1λ2
角点响应 R 只与矩阵 M 的特征值 λ 1 λ 2 \lambda _1\lambda _2 λ1λ2 有关可以用来判断区域是拐角、边缘还是平坦 λ 1 λ 2 \lambda _1\lambda _2 λ1λ2 较小时 ∣ R ∣ |R| ∣R∣ 较小即各个方向上灰度基本不变表明检测器处于平坦区域 λ 1 λ 2 \lambda _1 \lambda _2 λ1λ2 或 λ 2 λ 1 \lambda _2 \lambda _1 λ2λ1 时 R 0 R 0 R0 即灰度在某个方向变化但在其正交方向不变化表明检测器处于边缘区域 λ 1 λ 2 \lambda _1\lambda _2 λ1λ2 较大且数值相当时灰度在某个方向及其正交方向都变化强烈表明存在角点或孤立点。
Harris角点检测算法的重复性好、检测效率高应用比较广泛。
Shi-Tomas角点检测
Shi-Tomas算法是对Harris角点检测算法的改进区别在于将角点响应函数修改如下。 R m i n ( λ 1 , λ 2 ) R min(\lambda _1 , \lambda _2) Rmin(λ1,λ2) 只有当梯度协方差矩阵M的特征值 λ 1 , λ 2 λ_1, λ_2 λ1,λ2 都大于阈值时才判定为角点。 OpenCV的角点检测函数
在OpenCV中提供了函数cv.cornerEigenValsAndVecs计算图像或矩阵的特征值和特征向量函数cv.cornerMinEigenVal计算梯度矩阵的最小特征值函数cv.cornerHarris实现Harris角点检测。
函数原型 cv.cornerHarris(src, blockSize, ksize, k[, dst, borderType]) → dst cv.cornerEigenValsAndVecs(src, blockSize, ksize[, dst, borderType]) → dst cv.cornerMinEigenVal(src, blockSize[, dst, ksize, borderType]) → dst 参数说明
src输入图像单通道数据类型为CV_8U或浮点数类型。 dst输出图像角点响应函数大小与src相同格式为CV_32FC1。 blockSize检测器的滑动窗口尺寸为整数。 ksizeSobel梯度算子的孔径即卷积核的大小为整数。 kHarris角点响应函数的调节参数通常取0.040.06。 borderType边界扩充的类型不支持BORDER_WRAP。
注意问题 ⑴ 函数cv.cornerHarris返回值是如下的Harris的角点响应图像R。 R d s t ( x , y ) d e t ( M ( x , y ) ) − k ∗ [ t r a c e ( M ( x , y ) ) ] 2 Rdst(x,y)det(M(x,y))-k*[trace(M(x,y))]^2 Rdst(x,y)det(M(x,y))−k∗[trace(M(x,y))]2 从角点响应图像中筛选大于检测阈值、且为局部最大值的点就是图像的角点。检测阈值通常可以设为最大响应值的0.010.1。 ⑵ 函数cv.cornerMinEigenVal与cv.cornerEigenValsAndVecs类似区别在于它计算和保存矩阵M的最小特征值即 m i n ( λ 1 , λ 2 ) min(λ_1 ,λ_2) min(λ1,λ2)。 在OpenCV中提供了函数cv.goodFeaturesToTrack实现Shi-Tomas角点检测。
先使用cornerHarris或cornerMinEigenVal计算角点响应函数最小特征值小于阈值的角点被剔除并进行非最大值抑制只保留(3×3)邻域中的局部最大值最后按照角点响应函数的大小排序输出前N个结果。
函数原型 cv.goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance[, corners, mask, blockSize, useHarrisDetector, k0.04]) → corners 参数说明
src输入图像单通道数据类型为CV_8U或浮点数类型。 corners二维点向量集合的坐标(x,y)形如(n,1,2)的Numpy数组浮点数。 maxCorners角点数量的最大值N整数。 qualityLevel角点阈值系数浮点数取值范围0.01.0。 minDistance角点之间的最小欧式距离。 mask掩模图像指定检测角点的区域可选项。 blockSize检测器的滑动窗口尺寸可选项默认值为3。 kHarris角点响应函数的调节参数可选项默认值0.04。 useHarrisDetector计算角点响应的方法默认值false使用cornerMinEigenVal计算true表示使用cornerHarris计算。
注意问题
⑴ 输出参数corners是形如(n,1,2)的Numpy数组表示检测到n个角点的坐标(x,y)。 ⑵ 检测阈值是阈值系数qualityLevel与最大响应值的乘积小于阈值的角点都被拒绝。例如最大响应为1500系数为0.1则检测阈值为150。 ⑶ 剔除间距小于maxDistance的角点实现非最大值抑制方法避免重复的邻近角点。 【例程1701】角点检测之Harris算法和Shi-Tomas算法
本例程示例Harris角点检测算法和Shi-Tomas角点检测算法的使用。 Harris角点检测函数的返回值是角点响应图像需要进行阈值处理才能得到角点坐标。Shi-Tomas角点检测函数的返回值是角点坐标。 # 【1701】角点检测之Harris算法和Shi-Tomas算法
import cv2 as cv
import numpy as np
from matplotlib import pyplot as pltif __name__ __main__:img cv.imread(../images/Fig1201.png, flags1)gray cv.cvtColor(img, cv.COLOR_BGR2GRAY)# Harris 角点检测算法dst cv.cornerHarris(gray, 5, 3, k0.04) # 角点响应图像坐标(y,x)# Harris[dst0.1*dst.max()] [0,0,255] # 筛选角点红色标记stack np.column_stack(np.where(dst0.2*dst.max())) # 阈值筛选角点 (n,2)corners stack[:, [1, 0]] # 调整坐标次序(y,x) - (x,y)print(num of corners by Harris: , corners.shape)imgHarris img.copy()for point in corners: cv.drawMarker(imgHarris, point, (0,0,255), cv.MARKER_CROSS, 10, 1) # 在点(x,y)标记# Shi-Tomas 角点检测算法maxCorners, qualityLevel, minDistance 100, 0.1, 5corners cv.goodFeaturesToTrack(gray, maxCorners, qualityLevel, minDistance) # 角点坐标 (x,y)corners np.squeeze(corners).astype(np.int) # 检测到的角点 (n,1,2)-(n,2)print(num of corners by Shi-Tomas: , corners.shape[0])imgShiTomas np.copy(img)for point in corners: # 注意坐标次序cv.drawMarker(imgShiTomas, (point[0], point[1]), (0,0,255), cv.MARKER_CROSS, 10, 2) # 在点(x,y)标记plt.figure(figsize(9, 3.3))plt.subplot(131), plt.title(1. Original)plt.axis(off), plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB))plt.subplot(132), plt.title(2. Harris corners)plt.axis(off), plt.imshow(cv.cvtColor(imgHarris, cv.COLOR_BGR2RGB))plt.subplot(133), plt.title(3. Shi-tomas corners)plt.axis(off), plt.imshow(cv.cvtColor(imgShiTomas, cv.COLOR_BGR2RGB))plt.tight_layout()plt.show() 运行结果 num of corners by Harris: 589 num of corners by Shi-Tomas: 66 图17-1 Harris角点检测和Shi-Tomas角点检测 程序说明
⑴ 程序运行结果如图17-1所示。子图1是原始图像子图2是Harris角点检测的结果子图3是Shi-Tomas角点检测的结果。 ⑵ 运行结果表明Harris算法函数检测到的角点数量远大于Shi-Tomas算法函数的结果。这是由于角点周围像素的响应值都很高都被识别为角点因此Harris函数会检测到大量重复的角点。 版权声明 youcansxupt 原创作品转载必须标注原文链接(https://blog.csdn.net/youcans/article/details/140212758) Copyright 2024 youcans, XUPT Crated2024-07-05
《数字图像处理-OpenCV/Python》 独家连载专栏 : https://blog.csdn.net/youcans/category_12418787.html
