点击上方关注，All in AI中国

角点检测一直是图像处理中的重要课题。这是至关重要的，因为它有助于我们找到图像中的独特特征。有几种方法可以检测图像中的角点。我认为最著名的是Harris Corner Detection。我在Open-CV文档中阅读它之后，它让我了解了如何检测图像中的角点。我决定开发一种检测角落的方法，以便我能够理解逻辑。

可以通过过滤器找到图像中的角。那么，我们需要什么样的过滤器来找到图像中的角？

示例1：假设我们有一个有角的二进制图像。

0 0 0 0

0 0 0 0

0 0 1 1

0 0 1 1

实施例-2：

1 1 0

1 1 0

0 0 0

示例3：即使它看起来不像上面给出的角，下面给出的二进制图像也代表一个角。

0 1 1 0

0 1 1 0

0 0 0 0

0 0 0 0

假设我们有很多这样的模式。通过经典模式匹配方法，可以检测上述模式中任何角落的存在。对于经典模式匹配方法，请查看（）。

但是，不是像这样有几个过滤模式，我们可以将它们全部包含在一个大模式中吗？

我们可以。但首先，让我们看看角落的模式应该有多大：

如果我们有如下所示的过滤模式，我们可能会遇到一些问题。

0 1/1 0

0 0/0 0

可能会出现什么样的问题？

假设我们在图像中有一条直线。我们需要找到的角落是线的起点和终点。

线图像：

0 1 0 0 0

0 0 1 0 0

0 0 1 0 0

0 0 0 1 0

0 0 0 0 1

当您看到粗体数字时，即使在那里没有角落，也可以在一条线的中间找到2x2角图案。

那么，我们该怎么办？我们将扩大模式。

如果我们有如下所示的过滤模式，则可以避免此问题。

1 1 0 0/0 0 1 1

1 1 0 0/0 0 1 1

0 0 0 0/0 0 0 0

0 0 0 0/0 0 0 0

我们决定了模式的大小和类型。现在，是时候将它们合并为一般过滤模式，其中包含我们想要检测的所有类型的角落。

一般模式：

0 0 0 0 0 0

0 0 0 0 0 0

0 0 1 1 0 0

0 0 1 1 0 0

0 0 0 0 0 0

0 0 0 0 0 0

让我们看看可以从上面的一般过滤模式中获得什么样的4x4过滤模式。

0 0 0 0

0 0 1 1

0 0 1 1

0 0 0 0

0 0 0 0

0 0 0 0

0 0 1 1

0 0 1 1

1 1 0 0

1 1 0 0

0 0 0 0

0 0 0 0

等等…

因此，如果我们从输入图像中剪切模板，并且如果我们在一般过滤模式中搜索并找到它，那么我们可以检测输入图像中的角。

角落的角度关系怎么样？

在我们应用上述方法后，我们将找到我们检测到的角点的坐标。在此之后，将找到检测到的角落坐标的平均坐标。

显示平均坐标。 （图中有角落。）

找到平均坐标后，将找到平均坐标和每个角之间的线的角度。

找到这些角度后，我们可以研究它们代表什么。

平均坐标和输入图像角之间的角度表示。 （输入图像是来自MNIST数据集的数字1图像。青色是来自数字5图像。）

如我们所见，一些数字1图像显示彼此相似。但数字5（青色）图像显示完全不同的行为。

结论：

角之间的关系的角度表示可以适合用于特征描述。该特征提取可以提高准确率，同时减少分类算法训练所花费的时间。

用Python解释方法的代码：

编译出品