目錄
- 前言
- 1. 效果圖
- 2. 原理
- 3. 源碼
- 總結(jié)
前言
這篇博客將了解什么是特征，角點，哈里斯角點檢測（Harris Corner Detection）的概念。并使用cv2.cornerHarris()，cv2.cornerSubPix()實現(xiàn)哈里斯角點檢測；
1. 效果圖
原圖 VS Harris角點檢測效果圖如下：
原圖 VS Harris角點檢測效果圖如下：
驚細角點效果圖如下：Harris角點用紅色像素標記，精細角點用綠色像素標記
驚細角點效果圖如下：Harris角點用紅色像素標記，精細角點用綠色像素標記
2. 原理
圖像最重要的一個要素是特征，一旦有了特征及其描述，就可以在所有圖像中找到相同的特征，并將它們對齊、縫合或執(zhí)行任何您想要的操作。
特征可分為角、邊、平面，OpenCV提供了許多不同的算法來查找特征、描述特征、匹配特征等。
角點是圖像中各個方向上強度變化較大的區(qū)域。
Harris角點檢測的結(jié)果是一個灰度圖像與這些分數(shù)。對一個合適的圖像進行閾值化可以得到圖像中的角點。
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
img： 輸入圖像，灰度圖像，float32
blockSize: 用于角點檢測的鄰域的大小
ksize: Sobel導數(shù)的孔徑參數(shù)
k: 方程中的k-Harris檢測器自由參數(shù)
dst：返回值，灰度圖像
corners = cv2.cornerSubPix(gray, np.float32(centroids), (5, 5), (-1, -1), criteria)
具有亞像素精度的角點：有時可能需要以最大的精度找到角點。OpenCV附帶了一個函數(shù)cv2.cornerSubPix（），它可以進一步細化以亞像素精度檢測到的角點。
使用 Harris 角點檢測器檢查逆矩陣的相似性。它表示角點是更好的跟蹤點。
3. 源碼
3.1 Harris角點檢測
# Harris角點檢測
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： 輸入圖像，灰度圖像，float32
# - blockSize: 用于角點檢測的鄰域的大小
# - ksize: Sobel導數(shù)的孔徑參數(shù)
# - k: 方程中的k-Harris檢測器自由參數(shù)
# - res：返回值，灰度圖像
res = cv2.cornerHarris(gray, 2, 3, 0.04)
# 擴大標記的內(nèi)容
res = cv2.dilate(res, None)
# 最佳閾值因圖而異
img[res > 0.01 * res.max()] = [0, 0, 255]
cv2.imshow('Harris res', img)
if cv2.waitKey(0) 0xff == 27:
cv2.destroyAllWindows()
3.2 精細角點檢測
# 具有亞像素精度的角點
# 有時可能需要以最大的精度找到角點。OpenCV附帶了一個函數(shù)cv2.cornerSubPix（），它可以進一步細化以亞像素精度檢測到的角點。
import cv2
import imutils
import numpy as np
filename = 'images/polygon.jpg'
img = cv2.imread(filename)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 尋找Harris角點
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)
# 尋找中心點
ret, labels, stats, centroids = cv2.connectedComponentsWithStats(dst)
# 定義停止和細化角點的條件
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)
# 繪制角點和細化的亞像素點
res = np.hstack((centroids, corners))
res = np.int0(res)
# Harris角點用紅色像素標記，精細角點用綠色像素標記
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)
參考 https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_feature2d/py_features_harris/py_features_harris.html#harris-corners
總結(jié)
到此這篇關(guān)于OpenCV特征提取與檢測之Harris角點檢測的文章就介紹到這了,更多相關(guān)OpenCV Harris角點檢測內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- Python使用Opencv實現(xiàn)圖像特征檢測與匹配的方法
- opencv2基于SURF特征提取實現(xiàn)兩張圖像拼接融合
- Android基于OpenCV實現(xiàn)Harris角點檢測
- OpenCV哈里斯(Harris)角點檢測的實現(xiàn)
- Python中OpenCV圖像特征和harris角點檢測
