python编程-OpenCV（图像读写-图像处理-图像滤波-角点检测-边缘检测）角点检测

角点检测（Corner Detection）是计算机视觉和图像处理中重要的步骤，主要用于提取图像中的关键特征，以便进行后续的任务，比如图像匹配、物体识别、运动跟踪等。下面介绍几种常用的角点检测方法及其应用。

1. Harris角点检测

Harris角点检测是一种经典的角点检测算法，基于图像的局部特征，通过计算图像的自相关矩阵来判断一个点是否为角点。

  • 原理：

    • 计算局部窗口内的图像梯度，并构造自相关矩阵。
    • 通过计算赫希因子（Harris Matrix），确定强度响应，响应值大于一定阈值的点被认为是角点。

  • 优点：

    • 对于噪声具有一定的鲁棒性。
    • 可以检测到多种类型的角点。

OpenCV 中的 cv.cornerHarris() 函数用来实现 Harris 角点检测。它的参数是：

img - 输入图像，应为 float32 类型的灰度图。
blockSize - 角点检测所考虑的邻域大小。
ksize - Sobel 导数的内核大小。
k - Harris 检测器方程中的自由参数。

 OpenCV 带有一个函数 cv.cornerSubPix() ，它进一步细化了角点检测，以达到亚像素级精度。

import numpy as np
import cv2 as cv
filename = 'output.png'
img = cv.imread(filename)
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
# find Harris corners
gray = np.float32(gray)
dst = cv.cornerHarris(gray,2,3,0.04)
dst = cv.dilate(dst,None)
ret, dst = cv.threshold(dst,0.01*dst.max(),255,0)
dst = np.uint8(dst)
# find centroids
ret, labels, stats, centroids = cv.connectedComponentsWithStats(dst)
# define the criteria to stop and refine the corners
criteria = (cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER, 100, 0.001)
corners = cv.cornerSubPix(gray,np.float32(centroids),(5,5),(-1,-1),criteria)
# Now draw them
res = np.hstack((centroids,corners))
res = np.intp(res)
img[res[:,1],res[:,0]]=[0,0,255]
img[res[:,3],res[:,2]] = [0,255,0]
cv.imshow('sobely',img)
cv.waitKey(0)

2. Shi-Tomasi角点检测

Shi-Tomasi角点检测法是对Harris方法的改进，更注重测量响应函数的特征。

  • 原理：

    • 通过计算两个特征值，选择具有较大特征值的点作为角点。
    • 角点的选择更为简洁和高效。

  • 优点：

    • 对图像旋转和尺度变化具有更好的鲁棒性。
    • 适合实时应用，如视频监控。

OpenCV 有一个函数， cv.goodFeaturesToTrack() 。它通过 Shi-Tomasi 方法（或 Harris 角点检测，如果你指定它）在图像中找到 N 个最佳的角点。输入图像应该是灰度图像。然后指定要查找的角点数量。然后指定质量等级，该等级是 0-1 之间的值，所有低于这个质量等级的角点都将被忽略。最后设置检测到的两个角点之间的最小欧氏距离。
例如尝试找到 25 个最佳角点：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('f:/apple.jpg')
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
corners = cv.goodFeaturesToTrack(gray,25,0.01,10)
corners = np.intp(corners)
for i in corners:x,y = i.ravel()cv.circle(img,(x,y),3,255,-1)
plt.imshow(img),plt.show()

3. SIFT（尺度不变特征变换）

SIFT是一种用于检测和描述局部特征的算法，具有对尺度、旋转和光照变化的高鲁棒性。

  • 原理：

    • 检测图像中多个尺度的关键点。
    • 生成每个关键点的描述符，以便进行特征匹配。

  • 优点：

    • 高鲁棒性，适用于图像匹配、拼接等应用。
    • 可以处理遮挡和光照变化。

SIFT算法主要可以分成以下几个步骤：

  1. 构建高斯金字塔（Gaussian Pyramid）

    • 对于给定的图像，首先通过对图像进行不同尺度的高斯模糊，构建一个高斯金字塔。这涉及到对原图像逐层进行模糊，每一层的尺度增大。通常，金字塔中的每一层是上一层的平滑图像。

  2. 构建差分高斯金字塔（Difference of Gaussian）

    • 通过相邻的高斯图像层之间进行减法来计算差分高斯（DoG），该过程可以近似计算图像的拉普拉斯金字塔（Laplacian Pyramid）。
    • 公式为：

      3.  关键点检测

  • 对于每个像素点，寻找极值点，即在当前尺度和相邻的尺度（上层和下层）中具有极大或极小值的点。具体步骤如下：
    • 遍历图像的每个像素，检查其是否在其邻域内（包括尺度上和空间上）是最大或最小点。
    • 一般使用3x3x3的邻域，即考虑9个临近像素的3个尺度。

     4.  精确定位关键点

  • 对检测到的关键点进行细化，以提高其定位精度。常用的方法是通过泰勒级数展开。即优化关键点的位置，利用Hessian矩阵或者主导方向计算来细化关键点的位置和尺度。

   5. 选择主方向

  • 为每个关键点分配一个或多个主方向，以使得描述符具有旋转不变性。
    • 计算关键点周围一定半径内的梯度值，并确定主方向。
    • 形成一个方向直方图，用于统计方向，并选择最大直方图峰值作为关键点的主方向。

  6. 生成关键点描述符

  • 在每个关键点的周围区域中，计算其特征描述符。通常，这个区域被划分为多个子区块，并在每个子区块内计算梯度方向和幅值。
  • 将每个子块的梯度信息汇总，形成一个包含多维信息的特征向量。

  7. 特征点匹配（可选）

  • 利用上述计算得到的描述符，针对不同图像中的特征点进行匹配。通常采取欧几里德距离或二元汉明距离来计算描述符之间的相似度。

具体步骤

  1. 构建高斯金字塔：对图像进行多次高斯模糊，生成一系列不同尺度的图像。

  2. 计算差分高斯：通过相邻两层的高斯图像做差，提取出潜在的特征点。

  3. 找到极值点：例如，对于某个像素，比较它与相邻8个像素以及上面和下面的对应像素，如果它是最大的或最小的，则记为一个关键点。

  4. 关键点精确定位：利用插值方法进行位置微调，去除那些边缘响应较强或低对比度的关键点。

  5. 计算方向：统计关键点周围像素的梯度直方图，确定主要方向。

  6. 生成描述符：以关键点的主方向为基准，计算关键点周围小块的描述符。

  7. 匹配过程：对于每个图像的特征点，可以使用最近邻法或比例测试进行匹配。

import numpy as np
import cv2 as cv
img = cv.imread('f:/apple.jpg')
gray= cv.cvtColor(img,cv.COLOR_BGR2GRAY)
sift = cv.xfeatures2d.SIFT_create()
kp = sift.detect(gray,None)
img=cv.drawKeypoints(gray,kp,img)
img=cv.drawKeypoints(gray,kp,img,flags=cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv.imshow('SIFT',img)
cv.waitKey(0)

4. SURF算法

SURF的基本理念是在SIFT的基础上，通过加快特征点检测和描述过程，取得更高的效率。SURF的主要步骤如下：

1.1 特征点检测

  • Hessian矩阵：SURF使用Hessian矩阵的行列式来检测特征点。通过计算每个像素点的Hessian矩阵，可以快速找到潜在的特征点。Hessian矩阵具有以下形式：

  • 盒子滤波：为了计算Hessian矩阵的行列式，SURF使用的是快速的Haar小波卷积。这种方法通过将图像分为不同大小的盒子，并使用加权和减少计算复杂度。

  • 梯度计算：SURF在特征点周围的邻域内计算图像的梯度值，并将其组织成一个描述符。描述符的生成过程涉及多个子块，各子块的特征会被汇总成一个固定长度的描述符。

  • 方向归一化：为了确保特征描述符具有方向不变性，SURF根据特征点的主方向进行方向归一化。

1.2 特征描述符生成

  • 梯度计算：SURF在特征点周围的邻域内计算图像的梯度值，并将其组织成一个描述符。描述符的生成过程涉及多个子块，各子块的特征会被汇总成一个固定长度的描述符。

  • 方向归一化：为了确保特征描述符具有方向不变性，SURF根据特征点的主方向进行方向归一化。


import cv2 as cv
from matplotlib import pyplot as plt# 读取图像
img = cv.imread('f:/apple.jpg', 0)# Create SURF object. You can specify params here or later.
# Here I set Hessian Threshold to 400
surf = cv.xfeatures2d.SURF_create(400)
# Find keypoints and descriptors directly
kp, des = surf.detectAndCompute(img,None)# Check present Hessian threshold
print( surf.getHessianThreshold() )# We set it to some 50000. Remember, it is just for representing in picture.
# In actual cases, it is better to have a value 300-500
surf.setHessianThreshold(50000)
# Again compute keypoints and check its number.
kp, des = surf.detectAndCompute(img,None)
print( len(kp) )img2 = cv.drawKeypoints(img,kp,None,(255,0,0),4)
plt.imshow(img2),plt.show()

5. ORB（Oriented FAST and Rotated BRIEF）

ORB结合了FAST特征检测和BRIEF特征描述，可以更快速地进行角点检测和描述。ORB 基本上是 FAST 特征点检测器和 Brief 描述子的融合，并进行了许多修改以增强性能。首先，它使用 FAST 查找特征点，然后应用 Harris 角点的测量方法来查找其中的前 N 个点。它还使用金字塔来生成多尺度特征。但有一个问题是，FAST 不计算方向。

  • 原理：

    • 使用FAST算法检测特征点，计算点的方向和角度。
    • 采用BRIEF描述符来描述特征。

  • 优点：

    • 快速高效，适合实时应用。
    • 对于图像的旋转具有稳健性。

cv.ORB()使用 feature2d 通用接口创建 ORB 对象。它有许多可选参数。
nFeatures，表示要保留的最大要素数量（默认为 500），
scoreType,  表示对特征点进行排序使用 Harris 得分或 FAST 得分（默认为 Harris 得分）等。
WTA_K, 决定生成一个 oriented BRIEF 描述子的所用的像素点数目。默认情况下它是 2，即一次选择两个点。在这种情况下进行匹配，使用 NORM_HAMMING 距离。如果 WTA_K 为 3 或 4，则需要 3 或 4 个点来产生 BRIEF 描述子，匹配距离由 NORM_HAMMING2 定义。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('f:/apple.jpg',0)
# Initiate ORB detector
orb = cv.ORB_create()
# find the keypoints with ORB
kp = orb.detect(img,None)
# compute the descriptors with ORB
kp, des = orb.compute(img, kp)
# draw only keypoints location,not size and orientation
img2 = cv.drawKeypoints(img, kp, None, color=(0,255,0), flags=0)
plt.imshow(img2), plt.show()

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/bicheng/68549.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

瑞利衰落信道机理的详解

瑞利衰落信道机理的详解

瑞利衰落信道（Rayleigh fading channel）是一种无线电信号传播环境的统计模型，用于描述信号在无线信道中的传播特性。这种模型假设信号通过无线信道后，其信号幅度是随机的，即“衰落”，并且其包络服从瑞利分布…
阅读更多...
网络编程 | UDP套接字通信及编程实现经验教程

网络编程 | UDP套接字通信及编程实现经验教程

1、UDP基础 传输层主要应用的协议模型有两种，一种是TCP协议，另外一种则是UDP协议。在上一篇博客文章中，已经对TCP协议及如何编程实现进行了详细的梳理讲解，在本文中，主要讲解与TCP一样广泛使用了另一种协议&#xff1a…
阅读更多...
大象机器人发布首款穿戴式数据采集器myController S570，助力具身智能数据收集！

大象机器人发布首款穿戴式数据采集器myController S570，助力具身智能数据收集！

myController S570 具有较高的数据采集速度和远程控制能力，大大简化了人形机器人的编程。 myController S570 是一款可移动的轻量级外骨骼，具有 14 个关节、2 个操纵杆和 2 个按钮，它提供高数据采集速度，出色的兼容性&#xff0c…
阅读更多...
数据库存储上下标符号，sqlserver 2008r2，dm8

数据库存储上下标符号，sqlserver 2008r2，dm8

sqlserver 2008r2： 数据类型需要用nvarchar插入数据时字符串前需要用N create table test( col1 varchar(50), col2 nvarchar(50) ) insert into test(col1,col2) values(U⁴⁵⁶⁷⁸⁹⁰D₁₂₃₄₅₆₇₈₉₀,U⁴⁵⁶⁷⁸⁹⁰D₁₂₃₄₅₆₇₈₉₀) insert into…
阅读更多...
海康工业相机的应用部署不是简简单单！？

海康工业相机的应用部署不是简简单单！？

作者：SkyXZ CSDN：SkyXZ～-CSDN博客 博客园：SkyXZ - 博客园 笔者使用的设备及环境：WSL2-Ubuntu22.04MV-CS016-10UC 不会吧？不会吧？不会还有人拿到海康工业相机还是一脸懵叭？不会还有人…
阅读更多...
Java 对象池管理的高性能工具库 Apache Commons Pool 2

Java 对象池管理的高性能工具库 Apache Commons Pool 2

Apache Commons Pool 2 是一个用于对象池管理的高性能工具库，主要用于管理复用昂贵的对象（如数据库连接、网络连接、线程等）。它实现了常见的对象池模式，可以通过配置来优化资源的分配与回收。 Maven 依赖 在项目中添加 commons-…
阅读更多...
Vue 中实现修改数组，并保持页面渲染数据是响应式更改

Vue 中实现修改数组，并保持页面渲染数据是响应式更改

如果你在 Vue 中使用数组并希望确保对数组项的修改是响应式的，直接替换数组项可能不会触发 Vue 的响应式更新。为了确保响应式更新，你可以使用 Vue 提供的 Vue.set() 方法（在 Vue 2 中）或使用 this.$set() 方法（在 Vue…
阅读更多...
为什么要内存对齐？

为什么要内存对齐？

内存对齐 初步认识 内存对齐是什么&#xff1f;从下面的代码可以比较直观地有一个简单的认识&#xff1a; #include <iostream>using namespace std;struct s1 {int i;char c1;char c2; };struct s2 {char c1;int i;char c2; };struct s3 {char c1;char c2;int i; };i…
阅读更多...
MySQL HASH索引详解

MySQL HASH索引详解

文章目录 一、定义二、工作原理三、优缺点四、应用场景五、案例及分析 一、定义 HASH索引是一种基于哈希表实现的索引结构。它通过哈希函数将索引键值映射到一个固定长度的哈希值&#xff0c;并将这个哈希值存储在哈希表中。这种索引结构特别适用于等值查询&#xff0c;能够显…
阅读更多...
[创业之路-254]：《华为数字化转型之道》-1-华为是一个由客户需求牵引、高度数字化、高度智能化、由无数个闭环流程组成的价值创造、评估、分配系统。

[创业之路-254]：《华为数字化转型之道》-1-华为是一个由客户需求牵引、高度数字化、高度智能化、由无数个闭环流程组成的价值创造、评估、分配系统。

目录 前言&#xff1a; 华为&#xff1a;客户需求牵引下的闭环系统创新 前言&#xff1a; 华为是一个由客户需求牵引、高度数字化、高度智能化、由无数个闭环流程组成的价值创造、评估、分配系统。华为的流程大到战略&#xff0c;小到日常工作&#xff0c;是由无数个自我调节…
阅读更多...
【SQL 中的分组查询与联合查询详解】

【SQL 中的分组查询与联合查询详解】

文章目录 SQL 中的分组查询与联合查询详解1. GROUP BY分组查询1.1 语句格式1.2 示例说明1.2.1 分别查询哥哥组和弟弟组的英语成绩总和1.2.2 查询哥哥组的所有成绩总和 2. 联合查询2.1 内连接2.1.1 语法格式2.1.2 执行过程 2.2 外连接2.2.1 左外连接2.2.2 右外连接 2.3 自连接2.…
阅读更多...
《FMambaIR：一种基于混合状态空间模型和频域的方法用于图像恢复》学习笔记

《FMambaIR：一种基于混合状态空间模型和频域的方法用于图像恢复》学习笔记

paper&#xff1a;(PDF) FMambaIR: A Hybrid State Space Model and Frequency Domain for Image Restoration 目录 摘要 一、引言 二、相关工作 1、图像恢复 2、频率学习 3、状态空间模型&#xff08;SSM&#xff09; 三、框架 1、基本知识 2、整体框架 3、F-Mamba…
阅读更多...
Level2逐笔成交逐笔委托毫秒记录：今日分享优质股票数据20241230

Level2逐笔成交逐笔委托毫秒记录：今日分享优质股票数据20241230

逐笔委托逐笔成交下载 链接: https://pan.baidu.com/s/11Tdq06bbYX4ID9dEaiv_lQ?pwdcge6 提取码: cge6 Level2逐笔成交逐笔委托数据分享下载 利用Level2的逐笔交易和委托数据&#xff0c;这种以毫秒为单位的详细信息能揭露众多关键信息&#xff0c;如庄家意图、伪装行为&…
阅读更多...
51c自动驾驶~合集47

51c自动驾驶~合集47

我自己的原文哦~ https://blog.51cto.com/whaosoft/13083194 #DreamDrive 性能爆拉30%&#xff01;英伟达&#xff1a;时空一致下的生成重建大一统新方案~ 从自车的驾驶轨迹中生成真实的视觉图像是实现自动驾驶模型可扩展训练的关键一步。基于重建的方法从log中生成3D场景…
阅读更多...
AI 编程工具—Cursor 对话模式详解 Chat、Composer 与 Normal/Agent 模式

AI 编程工具—Cursor 对话模式详解 Chat、Composer 与 Normal/Agent 模式

Cursor AI 对话模式详解：Chat、Composer 与 Normal/Agent 模式 一、简介 Cursor 是一个强大的 AI 辅助编程工具，它提供了多种对话模式来满足不同的开发需求。主要包括： Chat 模式：直接对话交互Composer 模式：结构化编程助手Normal/Agent 模式：不同的 AI 响应策略打开Ch…
阅读更多...
SpringBoot项目打war包要点

SpringBoot项目打war包要点

1. 修改pom文件packaging 2. 不使用内置tomcat 3. 加一个类 4. 修改外部tomcat配置文件 5. 修改nginx配置文件&#xff0c;构建集群 资料来自网络
阅读更多...
GMM高斯混合聚类算法（Matlab）

GMM高斯混合聚类算法（Matlab）

目录 效果一览基本介绍程序设计参考资料 效果一览 基本介绍 GMM高斯混合聚类算法 matlab2023b语言&#xff0c;一键出图&#xff0c;直接运行 1.代码注释清晰&#xff0c;自行解读容易。 2…输出图例如图所示包括&#xff1a;聚类图(聚类结果图)&#xff0c;协方差矩阵类型…
阅读更多...
华为数据中心CE系列交换机级联M-LAG配置示例

华为数据中心CE系列交换机级联M-LAG配置示例

M-LAG组网简介 M-LAG&#xff08;Multi-chassis Link Aggregation&#xff09;技术是一种跨设备的链路聚合技术&#xff0c;它通过将两台交换机组成一个逻辑设备&#xff0c;实现链路的负载分担和故障切换&#xff0c;从而提高网络的可靠性和稳定性。下面给大家详细介绍如何在…
阅读更多...
Vue2.0的安装

Vue2.0的安装

1.首先查看是否已经安装了node.js 选择以管理员方式打开命令提示符&#xff08;权限较高&#xff09;&#xff0c;或者通过cmd的方式打开 打开后输入node -v 查看自己电脑是否安装node&#xff0c;以及版本号 node -v 如果没有的话&#xff0c;请查看Node.js的安装 2.Vue和脚…
阅读更多...
GAN 用于图像增强

GAN 用于图像增强

工程需求&#xff0c;临时学一下gan的原理和基于图像增强的实现 原理 论文链接 Generative Adversarial Nets 我们提出了一个通过对抗过程来估计生成模型的新框架&#xff0c;其中我们同时训练两个模型&#xff1a;捕获数据分布的生成模型G和估计样本来自训练数据而不是G的…
阅读更多...
最新文章

Copyright @ 2022~2023