计算机视觉与模式识别实验2-1 角点检测算法(Harris,SUSAN,Moravec)

文章目录

    • 🧡🧡实验流程🧡🧡
      • Harris算法
      • SUSAN算法
      • Moravec算法
    • 🧡🧡全部代码🧡🧡

🧡🧡实验流程🧡🧡

Harris算法

Harris算法实现步骤:
在这里插入图片描述

  • w表示窗函数,在这个算法中,用于对梯度图像的平方进行滤波,以减少图像中的噪声,从而提高角点检测的准确性。
  • R(i,j) 表示图像中像素点 (i,j) 处的角点响应值。这个值描述了在该像素点周围区域的灰度变化情况,从而表征了该像素是否可能是角点。通常情况下, R(i,j) 的值越大,表示该像素点越可能是角点。因此对于每个像素点,非极大值抑制会检查其周围邻域内的角点响应值,当它是该邻域内的最大值时,才将该像素点的角点响应值保留下来。

SUSAN算法

SUSAN角点检测算法实现步骤:
① 定义局部邻域:对于图像中的每个像素,定义一个局部邻域,通常是以该像素为中心的圆形区域。
② 计算灰度差异度:对于局部邻域内的每个像素,计算它与中心像素的灰度差异度。通常使用的是像素间的灰度差的绝对值作为度量。
③ 确定相似像素:根据计算得到的灰度差异度,判断每个像素是否属于同一类别。具体而言,如果像素与中心像素的灰度差异度小于一定阈值,则认为它们属于同一类别;否则,它们属于不同的类别。
④ 统计局部邻域中相似像素的数量:统计局部邻域中与中心像素属于同一类别的像素数量。
⑤ 角点判断:如果局部邻域中相似像素的数量小于一定阈值,则认为该中心像素是一个角点

原始图像
在这里插入图片描述
Harris、SUSAN角点检测效果如下:
在这里插入图片描述在这里插入图片描述
分析:直观上看,SUSAN标记的角点数更多,由于它是基于像素灰度值的局部统计特征来判断角点的,因此在一些局部特征明显的图像部位中效果较好。它们在理论实现方面有一些相似之处(都需要非极大值抑制),不同的是Harris角点检测算法基于图像局部区域的灰度变化来检测角点,通过计算图像的梯度和自相关矩阵的特征值来判断是否存在角点;而SUSAN 角点检测算法基于像素点的灰度值与周围像素的灰度值的差异来检测角点,通过比较像素与其周围邻域的灰度值之间的差异来判断是否为角点。另外从计算效率感受,SUSAN角点检测算法的计算相对较简单和高效。

Moravec算法

实现步骤:
① 计算窗口中心偏移到四个方向上时的灰度平方差,取最小值,作为兴趣值IV。
② 设置阈值T,将兴趣值大于阈值的点作为候选点(IV>T)。
③ 局部区域选取候选点中的极值点作为特征点。 (局部非最大值抑制)
其中,四个方向灰度差的计算举例如下:
在这里插入图片描述
效果如下:
在这里插入图片描述
分析:可以看到,在参数设置合理的情况下,检测效果不比上述两种算法差,并且检测出了上述方法没有测出的角点,如嘴角处、肩膀处等等。另外,由于算法的局限性,在灰度值很相近的情况下,可能产生误检测,比如这里头发处其实较多误检测。

综上所述,从实验直观感受来说,三种算法总结:

  • 精度上:Harris 算法更优。
  • 鲁棒性:SUSAN 对于噪声有较好的鲁棒性。
  • 计算效率和理论理解上:Moravec 实现简单,对精度要求不是特别高,可以选择 Moravec 算法。

🧡🧡全部代码🧡🧡

%%% Harrisclear; clc ;tic;
ori_im = imread('img/test1_Lena.tif');     % 读取图像
if(size(ori_im,3)==3)ori_im = rgb2gray(uint8(ori_im));  %转为灰度图像
end
imshow(ori_im);
% ===================计算图像的梯度===================
% fx = [5 0 -5;8 0 -8;5 0 -5];          % 高斯函数一阶微分,x方向(用于改进的Harris角点提取算法)
fx = [-2 -1 0 1 2];                 % x方向梯度算子(用于Harris角点提取算法)
Ix = filter2(fx,ori_im);              % x方向滤波
% fy = [5 8 5;0 0 0;-5 -8 -5];          % 高斯函数一阶微分,y方向(用于改进的Harris角点提取算法)
fy = [-2;-1;0;1;2];                 % y方向梯度算子(用于Harris角点提取算法)
Iy = filter2(fy,ori_im);              % y方向滤波% ===================计算自相关矩阵===================
Ix2 = Ix.^2;
Iy2 = Iy.^2;
Ixy = Ix.*Iy;
clear Ix;
clear Iy;
h= fspecial('gaussian',[7 7],2);      % 产生7*7的高斯窗函数,sigma=2
Ix2 = filter2(h,Ix2);
Iy2 = filter2(h,Iy2);
Ixy = filter2(h,Ixy);% ===================计算角点响应值 R===================
height = size(ori_im,1);
width = size(ori_im,2);
result = zeros(height,width);  % 纪录角点位置,角点处值为1
R = zeros(height,width);
for i = 1:heightfor j = 1:widthM = [Ix2(i,j) Ixy(i,j);Ixy(i,j) Iy2(i,j)]; % 自相关矩阵R(i,j) = det(M)-0.06*(trace(M))^2;   end
end% ===================进行非极大值抑制===================
cnt = 0;
for i = 2:height-1for j = 2:width-1% 进行非极大抑制,窗口大小3*3if  R(i,j) > R(i-1,j-1) && R(i,j) > R(i-1,j) && R(i,j) > R(i-1,j+1) && R(i,j) > R(i,j-1) && R(i,j) > R(i,j+1) && R(i,j) > R(i+1,j-1) && R(i,j) > R(i+1,j) && R(i,j) > R(i+1,j+1)result(i,j) = 1;cnt = cnt+1;endend
end% ===================对检测到的角点按照角点响应值进行排序,然后取前 ps 个角点(设定阈值)===================
Rsort=zeros(cnt,1);
[posr, posc] = find(result == 1);
for i=1:cntRsort(i)=R(posr(i),posc(i));
end
[Rsort,ix]=sort(Rsort,1);
Rsort=flipud(Rsort);
ix=flipud(ix);
ps=100;
posr2=zeros(ps,1);
posc2=zeros(ps,1);
for i=1:psposr2(i)=posr(ix(i));posc2(i)=posc(ix(i));
end% ===================显示原始图像,并在图像上标记检测到的角点===================
imshow(ori_im);
hold on;
plot(posc2,posr2,'g+');
title('Harris');
%%% SUSAN%设置圆周模板半径和滑动窗口的步长
radius=3;Xstep=1;Ystep=1;
template=fspecial('disk',radius);
template(template>0.01)=1;  %模板二值化
template(template<0.01)=0;%提取圆周模板的逻辑地址
[tem_x,tem_y]=find(template==1);
tem_x=tem_x-radius-1;
tem_y=tem_y-radius-1;t=45; %USAN判定阈值
I = imread('img/test1_Lena.tif');
W=size(I,2);H=size(I,1); %图像大小
nucleas_X=radius+1:Xstep:W-radius; %模板圆心即nucleas运动范围
nucleas_Y=radius+1:Ystep:H-radius;
USAN=zeros(size(I,1),size(I,2));  %初始化USAN累加器
%网格遍历
tic;
for y=nucleas_Yfor x=nucleas_Xfor e=1:length(tem_x)  %圆周模板上进行判定delta=I(y+tem_y(e),x+tem_x(e))-I(y,x);if delta<tUSAN(y,x)=USAN(y,x)+1;  %低于阈值则收纳endend  fprintf(strcat('已处理第','(',num2str(y),',',num2str(x),')','像素点..\n'));end
end
toc;
%边缘检测
%
%formula: R(r0) =   g-USAN(r0)  , if USAN(r0)<g
%                    0           ,  otherwise   
%          where g=3/4*max(USAN(:)), USAN越小边缘响应越强,其中角点极小,对应R极大
g=1/2*max(USAN(:));
R=zeros(H,W);
for i=1:size(USAN,1)for j=1:size(USAN,2)if USAN(i,j)<gR(i,j)=g-USAN(i,j);elseR(i,j)=0;endend
end
BIN=zeros(H,W);
BIN(R>0)=1;
figure(1),imshow(BIN,[]),title('SUSAN  边缘检测');%角点检测(非极大值抑制)
corners=[];
for i=2:H-1for j=2:W-1 if R(i,j)>max([max(R(i-1,j-1:j+1)),R(i,j-1) ,R(i,j+1), max(R(i+1,j-1:j+1))])corners=[corners;[i,j]];endend
end
% I = insertMarker(I,corners);
figure(2);imshow(I);hold on;
set(gca,'xaxislocation','top','yaxislocation','left','ydir','reverse');
scatter(corners(:,2),corners(:,1),'x','g'),title('SUSAN');
hold off;
%%% Moravecclose all;
clear all;
clc;
img=(imread('img/test1_LenaRGB.tif'));
img = double(rgb2gray(img));
[X,Y]=size(img);
img2 = imread ('img/test1_LenaRGB.tif');
img2 = rgb2gray(img2);imgn=zeros(X,Y);
n=2;%控制窗口大小。窗口大小为 2*n+1% ====计算四个方向的灰度变化平方====
for x=1+n:X-nfor y=1+n:Y-nwindow=img(x-n:x+n,y-n:y+n);%窗口为5*5V=zeros(1,4);for i=2:2*n+1        %垂直,水平,对角,反对角四个方向领域灰度差的平方和V(1)=V(1)+(window(i,n+1)-window(i-1,n+1))^2;%垂直V(2)=V(2)+(window(n+1,i)-window(n+1,i-1))^2;%水平V(3)=V(3)+(window(i,i)-window(i-1,i-1))^2;%正对角线V(4)=V(4)+(window(i,(2*n+1)-(i-1))-window(i-1,(2*n+1)-(i-2)))^2;%反对角线endIV=min(V);          %四个方向中选最小值imgn(x,y)=IV;      end
end% =====设定阈值T,>=T为兴趣点(潜在角点)====
T=2000; % 阈值
ind=find(imgn<T);
imgn(ind)=0;imshow(img2);hold on;title('Moravec算子提取');
m=3;
count = 0;
% ====非极大值抑制====
for x=1+m:X-m           %选局部最大(窗口为11*11)且非零值作为特征点for y=1+m:Y-mwindow2=imgn(x-m:x+m,y-m:y+m);if max(window2(:))==imgn(x,y) && imgn(x,y)~=0plot(y,x,'+','color','g');count=count+1; endend
end

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/web/21648.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

如何快速定位到影响mysql cpu飙升的原因——筑梦之路

通常我们只需要执行show processlist 进行查看&#xff0c;一般执行时间最长的SQL八九不离十就是罪魁祸首&#xff0c;但当show processlist的输出有近千条&#xff0c;那么很难第一眼就发现有问题的SQL&#xff0c;那么如何快速找到呢&#xff1f;其实也非常简单。我们知道mys…

JS面试题:什么是原型和原型链

一、原型 函数都有prototype属性,称之为原型&#xff0c;也称为原型对象原型 1.可以放一些属性和方法&#xff0c;共享给实例对象使用 2.原型可以做继承 二、原型链: 对象都有proto 属性,这个属性指向它的原型对象,原型对象也是对也有 proto 属性,指向原型对象的原型对象,这样一…

论文摘要一般要写些什么内容?

论文摘要通常需要包含以下几个关键内容&#xff1a; 研究背景与目的&#xff1a;简要介绍研究的背景信息&#xff0c;包括研究领域的重要性、当前的研究现状以及存在的问题。然后&#xff0c;清晰地阐述研究的目的、研究问题或研究假设&#xff0c;让读者明白研究的出发点和意图…

推荐一个图片识别的llama3微调版本 清华面壁项目

水一篇&#xff1a; MiniCPM-V是面向图文理解的端侧多模态大模型系列。该系列模型接受图像和文本输入&#xff0c;并提供高质量的文本输出。自2024年2月以来&#xff0c;我们共发布了4个版本模型&#xff0c;旨在实现领先的性能和高效的部署&#xff0c;目前该系列最值得关注的…

工业4.0利器:MES系统

工业4.0利器&#xff1a;MES系统 &#x1f604;生命不息&#xff0c;写作不止 &#x1f525; 继续踏上学习之路&#xff0c;学之分享笔记 &#x1f44a; 总有一天我也能像各位大佬一样 &#x1f3c6; 博客首页 怒放吧德德 To记录领地 &#x1f31d;分享学习心得&#xff0c;…

Java如何实现pdf转base64以及怎么反转?

问题需求 今天在做发送邮件功能的时候&#xff0c;发现邮件的附件部分&#xff0c;比如pdf文档&#xff0c;要求先把pdf转为base64&#xff0c;邮件才会发送。那接下来就先看看Java 如何把 pdf文档转为base64。 两种方式&#xff0c;一种是通过插件 jar 包的方式引入&#xf…

英语学习笔记31——Where‘s Sally?

Where’s Sally? Sally在哪&#xff1f; 词汇 Vocabulary garden /ˈɡɑːrdn/ n. 花园&#xff0c;院子&#xff08;属于私人&#xff09; 区别&#xff1a;park n. 公园&#xff08;公共的&#xff09; 例句&#xff1a;我的花园非常大。    My garden is very big. 搭…

【linux-imx6ull-设备树点灯】

目录 1. 设备树简介1.1 编译-引用1.2 设备树文件结构1.3 设备树节点介绍1.3.1 特殊节点chosen 1.4 节点内容追加 2. 设备树常用OF操作函数2.1 节点寻找类2.2 属性提取类2.3 其它常用类 4. 设备树下LED实验4.1 实验简介4.2 添加LED设备节点4.3 获取设备节点并提取属性4.3.1 获取…

深度学习-05-反向传播理论知识

深度学习-05-反向传播理论知识 本文是《深度学习入门2-自製框架》 的学习笔记&#xff0c;记录自己学习心得&#xff0c;以及对重点知识的理解。如果内容对你有帮助&#xff0c;请支持正版&#xff0c;去购买正版书籍&#xff0c;支持正版书籍不仅是尊重作者的辛勤劳动&#xf…

java面试题及答案2024,java2024最新面试题及答案(之一)

发现网上很多Java面试题都没有答案&#xff0c;所以花了很长时间搜集整理出来了这套Java面试题大全&#xff0c;希望对大家有帮助哈~ 本套Java面试题大全&#xff0c;全的不能再全&#xff0c;哈哈~ 一、Java 基础 1. JDK 和 JRE 有什么区别&#xff1f; JDK&#xff1a;Ja…

03_03_初识SpringAOP和应用

一、SpringAOP的初识与原理 1、概述 AOP&#xff1a;面向切面编程OOP&#xff1a;面向对象编程面相切面编程&#xff1a;是基于OOP基础之上的新编程思想&#xff0c;OOP面向的主要是对象是类&#xff0c;而AOP面向的主要对象是切面&#xff0c;它在处理日志、安全管理、事务管…

结账和反结账

结账与反结账功能在财务软件和会计系统中扮演着重要的角色&#xff0c;以下是关于这两个功能的详细解释&#xff1a; 一、结账功能 结账功能是计算和结转各个会计科目本期发生额和期末余额的过程&#xff0c;同时标志着一定时期内财务活动的结束和财务数据的固化。结账功能的…

C语言 链表经典OJ题

链表经典OJ题 移除链表元素链表的中间节点反转链表合并两个有序链表分割链表 移除链表元素 给你一个链表的头节点 head 和一个整数 val &#xff0c;请你删除链表中所有满足 Node.val val 的节点&#xff0c;并返回 新的头节点 。 示例 1&#xff1a; 输入&#xff1a;head […

python小练习03

1.绘制奥运五环旗 #奥运五环的绘制 import turtle as t t.pensize(3) t.speed(0) def draw_circles():i0while i <4:args [[-60,0,"blue"],[0,0,"black"],[60,0,"red"],[-30,-30,"yellow"],[30,-30,"green"]]#定义一个…

lua vm 二: 查看字节码、看懂字节码

本文讲一讲如何查看 lua 的字节码&#xff08;bytecode&#xff09;&#xff0c;以及如何看懂字节码。 以下分析基于 lua-5.4.6&#xff0c;下载地址&#xff1a;https://lua.org/ftp/ 。 1. 查看字节码 1.1 方法一&#xff1a;使用 luac luac 是 lua 自带的编译程序&#x…

MySQL(三) - 基础操作

一、索引 由于我们在使用数据库的时候&#xff0c;大部分操作的都是查询操作&#xff0c;但是我们每一次进行查询都需要遍历一遍表中所有数据&#xff0c;这会花费O(n)的时间&#xff0c;因此数据引入了“索引” 也就是在底层使用了数据结构来进行优化查询的操作&#xff0c;但…

【TB作品】MSP430F149单片机,广告牌,滚动显示

LCD1602滚动显示切换播放暂停字符串 显示Public Places 显示No Smoking 播放 暂停 部分代码 char zifu1[] "Public Places "; char zifu2[] "Class Now "; char zifu3[] "No admittance "; char *zifu[] { zifu1, zifu2, zifu3 }…

优思学院|客户质量工程师CQE岗位的未来发展,你怎么看?

在现代工业的发展背景下&#xff0c;客户质量工程师&#xff08;CQE&#xff09;正逐渐成为企业质量管理体系中的关键角色。随着全球化和数字化的不断推进&#xff0c;CQE的职责不仅限于传统的质量控制&#xff0c;更包括了质量管理体系的设计和优化、客户关系的管理、以及在整…

【UML用户指南】-06-面向对象建模-关系(relationship)

目录 1、面向对象建模常见的关系 2、关系的组成元素 3、依赖关系 4、泛化关系 5、关联关系 关联的四种修饰 1.名称 2.角色 3.多重性 4.聚合 6、常用建模技术 6.1、对简单依赖建模 6.2、对单继承建模 6.3、对结构关系建模 1、面向对象建模常见的关系 依赖 &#x…

pyqt绘制各种直线

pyqt绘制各种直线 介绍效果代码 介绍 使用pyqt绘制各种直线 效果 代码 import sys from PyQt5.QtWidgets import QApplication, QWidget from PyQt5.QtGui import QPainter, QPen, QPainterPath, QColor, QBrush from PyQt5.QtCore import Qt, QPoint, QLineF, QPointFclass…