日本免费高清视频-国产福利视频导航-黄色在线播放国产-天天操天天操天天操天天操|www.shdianci.com

學(xué)無先后，達(dá)者為師

網(wǎng)站首頁 編程語言 正文

OpenCV角點(diǎn)檢測的實(shí)現(xiàn)示例_python

作者：山居秋暝LS ? 更新時(shí)間： 2022-05-31 編程語言

Harris 角點(diǎn)檢測算法

1. 角點(diǎn)

角點(diǎn)是水平方向、垂直方向變化都很大的像素。

角點(diǎn)檢測算法的基本思想：?

? ? ? ? 使用一個(gè)固定窗口在圖像上進(jìn)行任意方向上的滑動，比較滑動前與滑動后兩種情況，窗口中的像素灰度變化程度，如果存在任意方向上的滑動，都有著較大灰度變化，那么我們可以認(rèn)為該窗口中存在角點(diǎn)。

? ? ? ? 目前，角點(diǎn)檢測算法還不是十分完善，許多算法需要依賴大量的訓(xùn)練集和冗余數(shù)據(jù)來防止和減少錯(cuò)誤的特征的出現(xiàn)。對于角點(diǎn)檢測算法的重要評價(jià)標(biāo)準(zhǔn)是：其對多幅圖像中相同或者相似特征的檢測能力，并且能夠應(yīng)對光照變化、或者圖像旋轉(zhuǎn)等影響。

關(guān)于角點(diǎn)的具體描述可以有幾種：

  • 一階導(dǎo)數(shù)(即灰度的梯度)的局部最大所對應(yīng)的像素點(diǎn)；
  • 兩條及兩條以上邊緣的交點(diǎn)；
  • 圖像中梯度值和梯度方向的變化速率都很高的點(diǎn)；?
  • 角點(diǎn)處的一階導(dǎo)數(shù)最大，二階導(dǎo)數(shù)為零，指示物體邊緣變化不連續(xù)的方向。 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

三類角點(diǎn)檢測算法：

  • 基于二值圖像的角點(diǎn)檢測；
  • 基于輪廓曲線的角點(diǎn)檢測；
  • 基于灰度圖像的角點(diǎn)檢測：基于梯度、基于模板和基于模板和梯度組合三類方法；常見的基于模板的角點(diǎn)檢測算法有：Kitchen-Rosenfeld角點(diǎn)檢測算法，Harris角點(diǎn)檢測算法，KLT角點(diǎn)檢測算法及SUSAN角點(diǎn)檢測算法?；谀０宓姆椒ㄖ饕强紤]像素領(lǐng)域點(diǎn)灰度的變化，即亮度的變化。

2. 流程

（1）找出角點(diǎn)
用高斯算子求出像素水平方向和垂直方向的梯度dx, dy，–> 對梯度的平方dxdx ,dydy, dxdy濾波得到Wxx ,Wxy,Wyy --> 在求的（WxxWyy - Wxy**2）/（Wxx + Wyy）作為候選角點(diǎn)。

（2）篩選角點(diǎn)
根據(jù)閾值篩選角點(diǎn)–> 取得角點(diǎn)的坐標(biāo) -->根據(jù)角點(diǎn)坐標(biāo)得到角點(diǎn)所在的行 --> 在角點(diǎn)周圍，刪除掉其他角點(diǎn)。–> result

（3）標(biāo)記角點(diǎn)

3. 實(shí)現(xiàn)

from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
from scipy.ndimage import filters

## 1.找出角點(diǎn)
### 1.1 步驟：img求導(dǎo) --> imx ,imy 濾波-->Wxx ,Wxy,Wyy --> （Wxx*Wyy - Wxy**2）/（Wxx + Wyy）
def compute_harris_response(img,sigma=3):
? ? # 求梯度
? ? imgx,imgy ?= np.zeros(img.shape),np.zeros(img.shape)
? ? filters.gaussian_filter(img,(sigma,sigma),(0,1),imgx)
? ? filters.gaussian_filter(img,(sigma,sigma),(1,0),imgy) # [260,263]
? ? # 對梯度進(jìn)行高斯濾波
? ? wxx = filters.gaussian_filter(imgx**2,sigma)
? ? wyy = filters.gaussian_filter(imgy**2,sigma) # [260,263]
? ? wxy = filters.gaussian_filter(imgx*imgy,sigma)# [260,263]
? ? ## 求行列式和跡
? ? wdet = wxx*wyy -wxy**2
? ? wtr = wxx + wyy
? ? return ?wdet/wtr

## 2 篩選角點(diǎn)
### 2.1 步驟：根據(jù)閾值篩選角點(diǎn)--> 取得角點(diǎn)的坐標(biāo) -->根據(jù)角點(diǎn)坐標(biāo)得到角點(diǎn)所在的行 ?-->
# --> 在角點(diǎn)周圍，刪除掉其他角點(diǎn)
def get_harris_points(harri,min_dist=4,threshold=0.1):
? ? corner_thre = harri.max()*threshold ?# 角點(diǎn)閾值
? ? mask = (harri > corner_thre)*1 ?# 取出大于閾值的點(diǎn)為候選角點(diǎn)
? ? cords = np.array(mask.nonzero()).T ?# 取候選角點(diǎn)的坐標(biāo)

? ? values = [harri[i[0],i[1]] for i in cords] ?# 候選角點(diǎn)的值
? ? cls = np.argsort(values) ? ? # 對角點(diǎn)排序得到排序后的序列號，序列號也是候選角點(diǎn)所在的行

? ? loc = np.zeros(harri.shape) ? # 劃出可行性區(qū)域
? ? loc[min_dist:-min_dist,min_dist:-min_dist] = 1

? ? re_cords = []
? ? for i in cls: ?# 篩選角點(diǎn)。先取出角點(diǎn)，角點(diǎn)周圍的點(diǎn)不再取出
? ? ? ? if loc[cords[i,0],cords[i,1]] == 1 :
? ? ? ? ? ? re_cords.append(cords[i])
? ? ? ? ? ? loc[cords[i,0]-min_dist:cords[i,0]+min_dist,cords[i,1]-min_dist:cords[i,1]+min_dist]=0
? ? return re_cords

def plot_harri(img,cords):
? ? plt.figure()
? ? plt.gray()
? ? plt.imshow(img)
? ? plt.plot([i[1] for i in cords],[i[0] for i in cords],'.')
? ? plt.axis('off')
? ? plt.show()

## 3 測試
if __name__ == '__main__':
? ? img = np.array(Image.open('luna.png').convert('L'))
? ? harri = compute_harris_response(img)
? ? re_cords = get_harris_points(harri)
? ? plot_harri(img,re_cords)

原文鏈接：https://blog.csdn.net/qq_35732321/article/details/123717928

欄目分類
最近更新