Угловая проверка Харриса в OpenCV
В этом блоге вы узнаете, что такое функции, углы и концепция Harris Corner Detection. И используйте cv2.cornerHarris(), cv2.cornerSubPix() для обнаружения углов Харриса;
1. Рендеринг
Исходное изображение VS Harris с обнаружением углов выглядит следующим образом:
Исходное изображение VS Harris с обнаружением углов выглядит следующим образом:
Рендеринг тонких углов выглядит следующим образом: углы Харриса отмечены красными пикселями, а тонкие углы отмечены зелеными пикселями.
Рендеринг тонких углов выглядит следующим образом: углы Харриса отмечены красными пикселями, а тонкие углы отмечены зелеными пикселями.
2. Принцип
Одним из наиболее важных элементов изображения являются функции. Когда у вас есть функции и их описания, вы можете найти одни и те же функции на всех изображениях и выровнять, сшить или сделать с ними все, что захотите.
Элементы можно разделить на углы, ребра, плоскости, и OpenCV предоставляет множество различных алгоритмов для поиска элементов, описания элементов, сопоставления элементов и т. д.
Углы — это области изображения, интенсивность которых сильно различается во всех направлениях.
Результатом обнаружения угла Харриса является изображение в градациях серого с этими оценками. Пороговое значение соответствующего изображения дает углы изображения.
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
- img: входное изображение, изображение в градациях серого, float32
- blockSize: размер окрестности, используемой для обнаружения углов
- ksize: параметр апертуры производной Собеля
- k: свободный параметр детектора k-Harris в уравнении
- dst: возвращаемое значение, изображение в градациях серого
corners = cv2.cornerSubPix(gray, np.float32(centroids), (5, 5), (-1, -1), criteria)
Углы с субпиксельной точностью: Иногда может потребоваться найти углы с максимальной точностью. OpenCV поставляется с функцией cv2.cornerSubPix(), которая может дополнительно уточнять обнаруженные углы с субпиксельной точностью.
Проверка подобия обратных матриц с помощью углового детектора Харриса. Это указывает на то, что угловые точки являются лучшими точками отслеживания.
3. Исходный код
3.1 Обнаружение угла Харриса
# Harris角点检测
import cv2
import numpy as np
img = cv2.imread('images/polygon.jpg')
img = cv2.imread('images/opencv_logo.jpg')
print(img.shape)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow("origin", img)
cv2.waitKey(0)
gray = np.float32(gray)
# res = cv2.cornerHarris(gray, 2, 3, 0.04)
# - img： 输入图像，灰度图像，float32
# - blockSize: 用于角点检测的邻域的大小
# - ksize: Sobel导数的孔径参数
# - k: 方程中的k-Harris检测器自由参数
# - res：返回值，灰度图像
res = cv2.cornerHarris(gray, 2, 3, 0.04)
# 扩大标记的内容
res = cv2.dilate(res, None)
# 最佳阈值因图而异
img[res > 0.01 * res.max()] = [0, 0, 255]
cv2.imshow('Harris res', img)
if cv2.waitKey(0) & 0xff == 27:
cv2.destroyAllWindows()
3.2 Обнаружение точных углов
# 具有亚像素精度的角点
# 有时可能需要以最大的精度找到角点。OpenCV附带了一个函数cv2.cornerSubPix（），它可以进一步细化以亚像素精度检测到的角点。
import cv2
import imutils
import numpy as np
filename = 'images/polygon.jpg'
img = cv2.imread(filename)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 寻找Harris角点
gray = np.float32(gray)
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
dst = cv2.dilate(dst, None)
ret, dst = cv2.threshold(dst, 0.01 * dst.max(), 255, 0)
dst = np.uint8(dst)
# 寻找中心点
ret, labels, stats, centroids = cv2.connectedComponentsWithStats(dst)
# 定义停止和细化角点的条件
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.001)
corners = cv2.cornerSubPix(gray, np.float32(centroids), (5, 5), (-1, -1), criteria)
# 绘制角点和细化的亚像素点
res = np.hstack((centroids, corners))
res = np.int0(res)
# Harris角点用红色像素标记，精细角点用绿色像素标记
img[res[:, 1], res[:, 0]] = [0, 0, 255]
img[res[:, 3], res[:, 2]] = [0, 255, 0]
gray = cv2.cvtColor(gray, cv2.COLOR_GRAY2BGR)
cv2.imshow("gray", img)
gray[res[:, 1], res[:, 0]] = [0, 0, 255]
gray[res[:, 3], res[:, 2]] = [0, 255, 0]
cv2.imshow('cornerSubPix res', imutils.resize(img, width=600))
cv2.waitKey(0)