龙空技术网

Opencv从零开始 - 「进阶篇」- 角点检测(Harris/Shi-Tomas)

CV逐梦团 402

前言:

现时大家对“opencv fast角点检测”可能比较重视,小伙伴们都需要分析一些“opencv fast角点检测”的相关文章。那么小编也在网络上收集了一些对于“opencv fast角点检测””的相关内容,希望大家能喜欢,同学们快快来了解一下吧!

✒️ 角点检测(Corner Detection)是计算机视觉系统中用来获得图像特征的一种方法,广泛应用于运动检测、图像匹配、视频跟踪、三维建模和目标识别等领域中,也称为特征点检测。本文主要介绍了两种经典的检测方法,具体可以详读本文~

目录Harris角点检测概述函数示例Shi-Tomas角点检测概述函数示例亚像素级的角点检测概述函数代码Harris角点检测概述

✔️ Chris_Harris 和 Mike_Stephens 早在 1988 年的文章《A Combined Corner and Edge Detector》中就已经提出了焦点检测的方法被称为 Harris角点检测。他把这个简单的想法转换成了数学形式。将窗口向各个方向 移动(u , v)然后计算所有差异的总和。

表达式如下:

数学转换后:

其中:

I_{x}Ix​和I_{y}Iy​是图像在x和y方向的导数(可以用函数cv2.Sobel()计算得到).

最终,根据一个用来判定窗口内是否包含角点的等式进行打分:

其中:

函数

✔️ OpenCV 中的函数 cv2.cornerHarris() 可以用来进行角点检测,参数如下:

img - 输入图像。blockSize - 角点检测中领域像素的大小。ksize - Sobel 求导中使用的窗口大小k - Harris 角点检测方程中的自由参数,取值参数为 [0,04,0.06].输出 response示例

import numpy as npimport cv2 as cvdef harris(image, opt=1):    # Detector parameters    blockSize = 2    apertureSize = 3    k = 0.04    # Detecting corners    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)    dst = cv.cornerHarris(gray, blockSize, apertureSize, k)    # Normalizing    dst_norm = np.empty(dst.shape, dtype=np.float32)    cv.normalize(dst, dst_norm, alpha=0, beta=255, norm_type=cv.NORM_MINMAX)        # Drawing a circle around corners    for i in range(dst_norm.shape[0]):        for j in range(dst_norm.shape[1]):            if int(dst_norm[i, j]) > 120:                cv.circle(image, (j, i), 2, (0, 255, 0), 2)    # output    return imagesrc = cv.imread("chessboard.jpg")cv.imshow("input", src)result = harris(src)cv.imshow('result', result)cv.imwrite('result.jpg', result)cv.waitKey(0)cv.destroyAllWindows()
Shi-Tomas角点检测概述

✔️ Shi-Tomas是源于《Good Features to Track》,其中对Harris角点检测算法改进后的新算法。

✔️ Shi-Tomas使用的打分函数为:

R=\min\left(\lambda_{1},\lambda_{2}\right)R=min(λ1​,λ2​)

如果打分超过阈值,则认为它是一个角点,因此可以绘制如下所示的空间图:

图中,只有当\lambda_{1}λ1​和\lambda_{1}λ1​都大于之最小值,才可以被认为是角点(绿色区域)

函数

✔️ OpenCV 中的函数 cv2.goodFeaturesToTrack() 可以用来进行角点检测,参数如下:

输入:

src单通道输入图像,八位或者浮点数。maxCorners表示最大返回关键点数目。qualityLevel 角点品质因子:表示拒绝的关键点 R < qualityLevel × max response将会被直接丢弃。minDistance 表示两个关键点之间的最短距离。mask 表示mask区域,如果有表明只对mask区域做计算。blockSize 计算梯度与微分的窗口区域。useHarrisDetector 表示是否使用harris角点检测,默认是false 为shi-tomas。k = 0.04默认值,当useHarrisDetector为ture时候起作用。

输出:

corners是输出的关键点坐标集合示例

import numpy as npimport cv2def process(image, opt=1):    # Detecting corners    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)    corners = cv2.goodFeaturesToTrack(gray, 35, 0.05, 10)    print(len(corners))    for pt in corners:        print(pt)        b = np.random.random_integers(0, 256)        g = np.random.random_integers(0, 256)        r = np.random.random_integers(0, 256)        x = np.int32(pt[0][0])        y = np.int32(pt[0][1])        cv2.circle(image, (x, y), 5, (int(b), int(g), int(r)), 2)    # output    return imagesrc = cv2.imread("blox.jpg")cv2.imshow("input", src)result = process(src)cv2.imshow('result', result)cv2.imwrite('result.jpg',result)cv2.waitKey(0)cv2.destroyAllWindows()

image

result

亚像素级的角点检测概述

✔️ OpenCV中角点检测的结果实际不够精准,因为真实的计算中有些位置可能是在浮点数的空间内才最大值,这样就需要我们通过给定的响应值,在像素邻域空间进行拟合,实现亚像素级别的角点检测。

函数:

cv2.cornerSubPix(	InputArray image,	InputOutputArray corners,	Size winSize,	Size zeroZone,	TermCriteria criteria )
image单通道输入图像,八位或者浮点数。corners是输入输出的关键点坐标集合。winSize表示插值计算时候窗口大小。zeroZone表示搜索区域中间的dead。 region边长的一半,有时用于避免自相关矩阵的奇异性。如果值设为(-1,-1)则表示没有这个区域。criteria角点精准化迭代过程的终止条件。代码:
import numpy as npimport cv2 as cvdef process(image, opt=1):    # Detecting corners    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)    corners = cv.goodFeaturesToTrack(gray, 100, 0.05, 10)    print(len(corners))    for pt in corners:        print(pt)        b = np.random.random_integers(0, 256)        g = np.random.random_integers(0, 256)        r = np.random.random_integers(0, 256)        x = np.int32(pt[0][0])        y = np.int32(pt[0][1])        cv.circle(image, (x, y), 5, (int(b), int(g), int(r)), 2)    # detect sub-pixel    winSize = (3, 3)    zeroZone = (-1, -1)    # Stop condition    criteria = (cv.TERM_CRITERIA_EPS + cv.TermCriteria_COUNT, 40, 0.001)    # Calculate the refined corner locations    corners = cv.cornerSubPix(gray, corners, winSize, zeroZone, criteria)    # display    for i in range(corners.shape[0]):        print(" -- Refined Corner [", i, "]  (", corners[i, 0, 0], ",", corners[i, 0, 1], ")")    return imagesrc = cv.imread("tyt.png")cv.imshow("input", src)result = process(src)cv.imshow('result', result)cv.imwrite('result.jpg',result)cv.waitKey(0)cv.destroyAllWindows()

image

result

未完待续~

更多Opencv教程将持续发布!

欢迎关注哟~❤️❤️❤️

标签: #opencv fast角点检测 #opencv角点检测函数