数字图像处理之图像特征检测

最新推荐文章于 2023-09-10 15:31:02 发布
最新推荐文章于 2023-09-10 15:31:02 发布
阅读量882 收藏 3
点赞数
分类专栏： 数字图像处理 文章标签： opencv 边缘检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Kerke/article/details/118228490
版权

实验要求

  1. 边缘检测
  2. 霍夫线变换
  3. 霍夫圆变换

算法实现

边缘检测

本代码采用LoG边缘检测算子

  1. 算子与图像卷积
  2. 寻找零交叉点，即边缘点

霍夫线变换

  1. 将彩色图像转化为灰度图，并对灰度图做边缘检测得到二值边缘图

  2. 参数空间离散化:对直线方程的参数 ( r , θ ) (r,\theta) (r,θ)离散化，并给出 ( r m i n , r m a x ) (r_{min},r_{max}) (rmin​,rmax​)和 ( θ m i n , θ m a x ) (\theta_{min},\theta_{max}) (θmin​,θmax​)，划分为有限个等间距的离散值，使参数空间量化为一个个等大小网格。

  3. 设置累加器A:为每个网格单元设置累加器。A表示 ( r m i n : r m a x , θ m i n : θ m a x ) (r_{min}:r_{max},\theta_{min}:\theta_{max}) (rmin​:rmax​,θmin​:θmax​)，初始为0。

  4. 对图像空间中每个像素点坐标值(x,y)，计算参数空间对应的曲线方程，将该曲线穿过的格子的计数值加一。

  5. 最后，遍历A(i,j)中的寻找累加计数大于某阈值M格子，其坐标 ( r m , θ m ) (r_m, \theta_m) (rm​,θm​)即为检测到的直线参数。利用cvtColor()将二值边缘图转换为RGB图，并将检测到的所有直线在图中画出来。

霍夫圆变换

  1. 将彩色图像转化为灰度图，并对灰度图做边缘检测得到二值边缘图

  2. 设定检测半径和角度范围 ( r m i n : r m a x , θ m i n : θ m a x ) (r_{min}:r_{max},\theta_{min}:\theta_{max}) (rmin​:rmax​,θmin​:θmax​)，ax)，设置累加器A(x,y,r)

  3. 对图像空间中每个像素点坐标值(x,y)，在指定半径和圆心角范围内，计算参数空间对应的圆心，累加器A(x_center, y_center,r)加一。

  4. 最后，遍历累加器中的寻找累加计数大于某阈值M格子，其坐标 ( x c e n t e r , y c e n t e r , r ) (x_center, y_center,r) (xc​enter,yc​enter,r)即为检测到的圆参数。利用cvtColor()将二值边缘图转换为RGB图，并将检测到的所有直线在图中画出来。

显然这样的方法效率很低，时间和空间复杂度都很高，所以我们用梯度法优化。

  1. 用sobel算子计算出整张图的梯度

  2. 对于图像中每个点，在其梯度方向上的点的累加器A(x,y)加一

  3. 遍历A(i,j)中的寻找累加计数大于某阈值M格子，其坐标 ( x , y ) (x,y) (x,y)即为可能是圆心的点。

  4. 对于每个圆心计算每个像素点与他的距离，并塞入数组R，然后寻找最多的半径R的数量，如果大于阈值那么就以该圆心半径画圆。若俩个圆心距离很近，那么就选其一。

代码实现

#include <stdlib.h>
#include <opencv2/opencv.hpp>
#include <opencv2/core/core.hpp>
#include <vector>
#define LINEAR_X 0

#define SIZE 5
#define PI 3.1415926
#define oo 1e9+7
#define theta_cnt 500
using namespace cv;
using namespace std;
//边缘检测//
//边缘检测函数 LoG边缘检测算子
void EdgeDetector(Mat input, Mat &output){
	threshold(input, input, 150, 255, THRESH_BINARY);
	//imshow("threshold",input);
 	double Gaussian_Temp[SIZE][SIZE] = {{0,0,-1,0,0},
										{0,-1,-2,-1,0},
										{-1,-2,16,-2,-1},
										{0,-1,-2,-1,0},
										{0,0,-1,0,0}};//模板
	//Mat Temp=Mat::zeros(input.size(),CV_8UC1);

	int rows = input.rows;
	int cols = input.cols;
	double *Temp  = new double[rows*cols];
	for(int i=0;i<rows;i++)
	{
		for(int j=0;j<cols;j++)
		{
			double sum = 0;
			for(int k=0;k<SIZE;k++)
				for(int t=0;t<SIZE;t++)
				{
					int x=i+k-SIZE/2;
					int y=j+t-SIZE/2;
					if(x<0||y<0||x>=rows||y>=cols)continue;
					double m=Gaussian_Temp[k][t];
					sum+=m*input.at<uchar>(x,y);
					
				}
			Temp[i*cols+j]=sum;
		}
	}
	
	//寻找零交叉
	int dx[2][4]={{-1,0,1,-1},//上，左，左上，左下
				  {1,0,-1,1}};//下，右，右下，右上
	int dy[2][4]={{0,-1,-1,-1},//上，左，左上，左下
				  {0,1,1,1}};//下，右，右下，右上
	for(int i=0;i<rows;i++)
	{
		for(int j=0;j<cols;j++)
		{
			int pa,pb,num=0;
			for(int k=0;k<4;k++){
				int x1=i+dx[0][k],y1=j+dy[0][k];
				int x2=i+dx[1][k],y2=j+dy[1][k];
				if(x1<0||y1<0||x1>=rows||y1>=cols)pa=0;
				else pa=Temp[x1*cols+y1];
				if(x2<0||y2<0||x2>=rows||y2>=cols)pb=0;
				else pb=Temp[x2*cols+y2];
				if(pa*pb<0&&abs(pa-pb)>255*0.5)num++;
				//cout<<pa<<" "<<pb<<endl;
			}
			if(num>=2)output.at<uchar>(i,j)=255;
			else output.at<uchar>(i,j)=0;
		}
	}
}
//霍夫线变换//
Mat Hough_Line(Mat input){
	Mat output=Mat::zeros(input.size(),CV_8UC3);
	cvtColor(input,output,COLOR_GRAY2BGR);
	int rows = input.rows;
	int cols = input.cols;
	int max_length = sqrt(pow(rows,2)+pow(cols,2));
	int r_cnt=max_length*2;	
	int M = 100;//阈值
	int *A = new int[r_cnt*theta_cnt];//累加器
	//遍历，并累加
	for(int i=0;i<rows;i++)
	{
		for(int j=0;j<cols;j++)
		{
			if(input.at<uchar>(i,j)==0)continue;
			for(int k=0;k<theta_cnt;k++){
				double theta=2.0*PI*k/theta_cnt;
				int r=1.0*i*cos(theta)+1.0*j*sin(theta);//直线方程
				if(r<-max_length||r>=max_length)continue;
				A[(r+max_length)*theta_cnt+k]++;
			}
		}
	}
	//画直线
	for(int i=0;i<r_cnt;i++){
		for(int j=0;j<theta_cnt;j++){
			if(A[i*theta_cnt+j]<M)continue;
			if((i>0&&A[i*theta_cnt+j]<A[(i-1)*theta_cnt+j])
				||(j>0&&A[i*theta_cnt+j]<A[i*theta_cnt+j-1]))continue;
			if((i<r_cnt-1&&A[i*theta_cnt+j]<A[(i+1)*theta_cnt+j])
				||(j<theta_cnt-1&&A[i*theta_cnt+j]<A[i*theta_cnt+j+1]))continue;
			double theta=2.0*PI*j/theta_cnt;
			int r = i-max_length;
			double a = cos(theta);
			double b = sin(theta);
			double x1 = int(b*r + 1000*(a));
			double y1 = int(a*r + 1000*(-b));
			double x2 = int(b*r - 1000*(a));
			double y2 = int(a*r - 1000*(-b));
			line(output,Point(x1,y1),Point(x2,y2),Scalar(0,0,255),1);

		}
	}
	return output;
}
//霍夫圆变换//
Mat calc(Mat input,double kernel[3][3],int Size){
	Mat output=Mat::zeros(input.size(),CV_8UC1);
	int rows = input.rows;
	int cols = input.cols;
	for(int i=0;i<rows;i++)
	{
		for(int j=0;j<cols;j++)
		{
			for(int k=0;k<Size;k++)
				for(int t=0;t<Size;t++)
				{
					int x=i+k-Size/2;
					int y=j+t-Size/2;
					if(x<0||y<0||x>=rows||y>=cols)continue;
					double m=kernel[k][t];
					output.at<int>(i,j)+=m*input.at<uchar>(x,y);
				}
		}
	}
	return output;
}
Mat Hough_Circle(Mat input){
	Mat output=Mat::zeros(input.size(),CV_8UC3);
	cvtColor(input,output,COLOR_GRAY2BGR);
	int rows = input.rows;
	int cols = input.cols;
	int r_max=max(rows,cols)/2;	
	double M = 0.1;
	int A[rows][cols]={0};

	double sobelx[3][3]={{1,2,1},
			 			{0,0,0},
						{-1,-2,-1}};
	double sobely[3][3]={{1,0,-1},
			 			{2,0,-2},
			 			{1,0,-1}};

	Mat dx=calc(input,sobelx,3);
	Mat dy=calc(input,sobely,3);
	//累加器寻找圆心
	for(int i=0;i<rows;i++)
	{ 
		for(int j=0;j<cols;j++)
		{
			if(input.at<uchar>(i,j)==0)continue;
			double vx=dx.at<int>(i,j);
			double vy=dy.at<int>(i,j);
			double mag=sqrt(vx*vx+vy*vy);
			if(mag == 0)continue;
			double sx=vx/mag;
			double sy=vy/mag;
			for(int t=-1;t<2;t+=2){
				double x=1.0*i+sx*t;
				double y=1.0*j+sy*t;
				for(int r=0;r<r_max;r++,x+=sx*t,y+=sy*t)
				{
					int X=int(x),Y=int(y);
					if(X<0||Y<0||X>=rows||Y>=cols)break;
					A[X][Y]++;
				}
			}
		}
	}
	//寻找可能圆心
	vector<Point>centerP;
	vector<Point>circleP;
	for(int i=0;i<rows;i++)
	{
		for(int j=0;j<cols;j++)
		{
			if(A[i][j]<50)continue;
			if((i>0&&A[i][j]<A[i-1][j])||(j>0&&A[i][j]<A[i][j-1]))continue;
			if((i<rows-1&&A[i][j]<A[i+1][j])||(j<cols-1&&A[i][j]<A[i][j+1]))continue;
			centerP.push_back(Point(i,j));
		}
	}
	//对每个可能圆心，寻找可能半径
	int l=centerP.size();
	for(int i=0;i<l;i++){
		int cx=centerP[i].x;
		int cy=centerP[i].y;
		int L=circleP.size();
		bool flag=0;
		for(int j=0;j<L;j++){
			int cx1=circleP[j].x;
			int cy1=circleP[j].y;
			 if( pow(( cx1- cx),2) + pow( cy1- cy,2) <= 9){//圆心相近
				flag=1;
                break;
			}
		}
		if(flag)continue;
		
		vector<int>R;
		for(int k=0;k<rows;k++)
		{
			for(int t=0;t<cols;t++)
			{
				if(input.at<uchar>(k,t)==0)continue;
				int r=sqrt(pow(cx-k,2)+pow(cy-t,2));
				if(r+cx<rows&&r+cy<cols&&cx-r>=0&&cy-r>=0)R.push_back(r);
			}
		}
		//半径数最多的就是最有可能的
		if(R.size()==0)continue;
		sort(R.begin(),R.end());
		int startR=R[0],cnt=0,maxcnt=0,ansR=0;
		for(int j=1;j<R.size();j++){
			int r=R[j];
			if(r-startR>2){
				int nowR=(R[j-1]+startR)/2;
				if(cnt*ansR>=maxcnt*nowR){
					ansR=nowR;
					maxcnt=cnt;
				}
				cnt=0;
				startR=r;
			}
			cnt++;
		}
		if(maxcnt>700){
			circle(output, Point(cy,cx),ansR , Scalar(0, 0, 255), 0.5);	
			circleP.push_back(Point(cx,cy));
		}
	}/**/
	return output;
}
int main(int argc,char **argv){
	//读取原始图像
	Mat src=imread(argv[1],IMREAD_UNCHANGED);
	//检查是否读取图像
	if(src.empty()){
		std::cout<<"Error! Input image cannot be read...\n";
		return -1;
	}
	
	imshow("src",src);
	
	// 灰度图转换
	Mat garyimg;
	cvtColor(src,garyimg,COLOR_BGR2GRAY);
	imshow("gray",garyimg);  

	// 边缘检测函数
	Mat frOut1=Mat::zeros(garyimg.size(),CV_8UC1);
	EdgeDetector(garyimg, frOut1);
	// 线检测
	Mat frOut2=Hough_Line(frOut1);
	// 圆检测
	Mat frOut3=Hough_Circle(frOut1) ;

	imshow("Edge",frOut1);
	imshow("Line",frOut2);
	imshow("circle",frOut3);
	std::cout << "Press any key to exit...\n";
    waitKey(); // Wait for key press
	return 0;
}

运行结果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Kerke
关注
专栏目录
图像特征检测笔记（特征检测基本概念，Harris，Shi-Tomasi，SIFT，SURF，ORB，暴力特征匹配，FLANN特征匹配））
yujiex的博客
04-12 1430
文章目录前言一、特征检测基本概念二、哈里斯角点检测（Harris）1.Harris角点基本原理2.Harris角点检测API3.Harris角点检测代码实例：三、Shi-Tomasi角点检测（Shi-Tomasi）1.Shi-Tomasi角点基本原理2.Shi-Tomasi角点检测API3.Shi-Tomasi角点检测代码实例：四、SIFT关键点检测（scale-invariant feature transform）1.SIFT出现的原因2.使用SIFT的步骤3.SIFT检测代码实例：五、计算SIFT描述
图像特征检测(Image Feature Detection)
weixin_33736832的博客
03-03 573
作者：王先荣前言    图像特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。本文主要探讨如何提取图像中的“角点”这一特征，及其相关的内容。而诸如直方图、边缘、区域等内容在前文中有所提及，请查看相关文章。OpenCv（EmguCv）中实现了多种角点特征的提取方法，包括：Harris角点、ShiTomasi角点、亚像素级角点、SURF角...
计算机视觉之一：特征检测
weixin_34244102的博客
05-18 806
计算机视觉之一：特征检测   主要内容： 1、一个例子解释为什么要进行特征检测 2、图像特征 3、点特征检测：Harris角点、MOPS、SIFT 4、边缘检测：一阶微分算子、二阶微分算子、Canny算子   一、为什么要检测特征？ 举一个例子：全景图像拼接，给定两张图像，如何拼接成一张大图？ 步骤一：检测特征点 步骤二：匹配特征点 步骤三：图像适配 二、...
08- OpenCV进行图像的特征检测 (OpenCV系列) (机器视觉)
March_A的博客
01-08 1694
推荐Shi-Tomasi角点检测Harris角点检测计算的稳定性和K有关, 不稳定, shi-tomasi是优化版)。三种特征检测算法对比:SIFT 最慢, 准确率最高SURF 速度比SIFT快些, 准确率差些ORB速度最快, 可以实时检测, 准确率最差.两种特征匹配方式:BFMatcherFLANN(处理大数据集时效果较好)暴力特征匹配单应性矩阵的应用, 查找对应图形:(图像查找)直接读取为灰度图Harris角点检测shi-tomasi角点检测坐标画点cv2.circle。
数字图像处理实验报告-图像边缘检测和特征提取.doc
03-22
图像边缘检测是图像处理中的关键步骤，旨在找出图像中不同特征区域间的边界，这在图像分析和理解中至关重要。边缘是图像中灰度值发生显著变化的地方，通常代表目标与背景的分界。由于图像的噪声和模糊，边缘检测需要...
数字图像处理大作业合集-四次数字图像处理大作业.zip
07-06
数字图像处理大作业合集—四次数字图像处理大作业， 大作业内容（1） 基于VC的多文档界面（MDI ）方式，设计数字图像处理程序框架 软件中编程实现BMP格式图像文件的读取、显示 选择实现JPG、 RAW格式文件的读取、...
数字图像处理大作业( 图像分割、人脸检测、边缘检测 ）
05-25
在数字图像处理领域，图像分割、人脸检测和边缘检测是三个关键的技术，它们在计算机视觉、人工智能和机器学习中有着广泛的应用。以下是对这些技术的详细介绍： 1. **Canny边缘检测**：Canny算法是一种经典的多级...
数字图像处理第四版PPT+习题答案.rar
04-10
《数字图像处理第四版》是图像处理领域的一本经典教材，涵盖了广泛的理论知识和技术应用。这份资源包含了该书的PPT课件以及配套的习题答案，为学习者提供了全面的学习材料。 首先，数字图像处理是计算机科学的一个...
数字图像处理人脸识别_数字图像处理_
09-30
在数字图像处理领域，人脸识别是一项重要的技术，广泛应用于安全监控、身份验证、社交媒体等领域。本实验作业主要聚焦于通过数字图像处理技术实现人脸识别的过程。在这个过程中，我们将涉及到多个关键知识点，包括...
数字图像处理标准测试图_数字图像处理标准测试图_测试图像_
10-02
在图像处理实验中，所常用到的标准测试图像
图像处理常用测试图片
06-26
这里是一些常用的图像处理图片，都是一些长用的图片。
数字图像处理标准测试图片（335张）
03-23
基本包括了所有出现于各种数字图像处理教材、论文的标准测试图片，共335张，classic，oldclassic，aerials，misc，sequences，textures，Kodak，special，additional，Public-Domain Test Images for Homeworks and Projects，Photos with lines & edges，Bright colours photos……
数字图像处理标准测试图片
10-26
文档中提供了数字图像处理常用的一些标准测试图片，需要的同学可以下载使用
图像处理标准测试图像数据集
01-28
包含灰度图像、彩色图像的lena、Barbara、man、boats等在内的46张图片
图像处理【特征点检测】
技术学习
08-09 215
头文件 #include <opencv2/features2d.hpp> opencv类型 FastFeatureDetector SurfFeatureDetector SiftFeatureDetector GFTTDetector FAST
数字图像处理笔记（三）：使用OpenCV检测图像特征
HHH_ANS的博客
12-11 1044
1 - 引言 在数字图像处理中还提供了许多检测图像简单特征的方法，例如边缘检测、轮廓检测、直线检测、圆检测等。让我们用OpenCV实现以下这些算法吧 2 - Canny边缘检测 OpenCV提供了一个非常方便的Canny函数（以算法的发明者发明） import cv2 import numpy as np img = cv2.imread('images/12.jpg',0) cv2.imwri...
【图像识别】图像特征、特征检测、特征提取
最新发布
qq_59572329的博客
09-10 2666
Edward Rosten和Tom Drummond在2006年发表的“Machine learning for high-speed corner detection”文章中提出了一种FAST特征，并在2010年对这篇论文作了小幅度的修改后重新发表。特征检测的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。的特征算子，该算子是由T.Ojala等人于1994年首次提出的，后经过发展改进可应用于图像特征分析，该算子具有。跟它的名字一样，这是个算法是加速版的 SIFT。
OpenCV图像特征提取与检测C++(二)Harris角点检测、Shi-Tomasi 角点检测、亚像素级别角点检测
法兰西流浪者博客
08-16 4707
图像特征类型可以分为三种： 边缘，角点，斑点。 其中，角点是个很特殊的存在，他们在图像中可以轻松定位，因为角点位于两条边缘的交点，代表了两条边缘变化的方向上的点，所以他们是可以精确定位的二维特征，甚至可以达到亚像素精度。 角点定义：如果某一点在任意方向的一个微小变动都会引起灰度很大的变化，则称为角点。 角点通常被定义为两条边的交点，更严格的说，角点的局部邻域应该具有两个不同区域的不同方向的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值