1. 角点检测
角点:角点是图像里在各个方向变化最大的区域。无论是沿水平方向或竖直方向移动过程中,整个图像的灰度级发生迅速变化。
边界:沿水平或者竖直方向移动,一个比较平稳一个比较迅速。
角点检测函数
cv2.cornerHarris(src, blockSize, ksize, k, borderType=None)
src:数据类型为float32的输入图像
blockSize:角点检测中指定窗口的大小
ksize:Sobel算子求导中使用的核大小,一般等于3
k:取值参数,取值范围[0.04,0.06],一般使用0.04
borderType:边界的类型
原理见: 机器学习进阶-图像特征harris-角点检测 1.cv2.cornerHarris(进行角点检测) - python我的最爱 - 博客园
import cv2
import numpy as np
filepath = 'C:\\...\\opencv\\img'
#(1)读入图像
img = cv2.imread(filepath + '\\chess2.jpg')
# 转换灰度图
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 输入图像为float32类型
# gray = np.float32(gray)
# 绘图
cv2.imshow('gray',gray)
cv2.waitKey(0)
cv2.destroyWindow()
#(2)角点检测,窗口为2,核为3,系数0.04
dst = cv2.cornerHarris(gray,2,3,0.04)
# dst.max()最大值,肯定是角点
# 如果变化程度dst大于0.1倍的最大值,就认为是个角点,参数自己调
img[dst>0.1*dst.max()] = [0,0,255] #把满足要求的点标红
# 绘图
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyWindow()
2. 图像金字塔
原理见:Sift中尺度空间、高斯金字塔、差分金字塔(DOG金字塔)、图像金字塔
高斯金字塔
(1)向下采样(缩小),形状慢慢往里缩,下宽上窄。先将Gi与高斯内核卷积,再将所有偶数的行和列去除。长度和宽度都变成一半,从8*8变成4*4
(2)向上采样(放大),上层宽,下层窄。将图像在每个方向上扩大为原来的两倍,新增的行和列以0填充。使用同样的内核与放大后的图像卷积,获得近似值。
import cv2
import numpy as np
# 获取图片所在文件夹
filepath = 'C:\\...\\opencv\\img'
# 获取文件夹中的某一张图片,一般边缘检测使用灰度图
img = cv2.imread(filepath+'\\mh1.jpg',cv2.IMREAD_GRAYSCALE)
print(up.shape) # (471,498)
# ==1==
# 上采样
up = cv2.pyrUp(img) # 放大
cv_show('up',up)
print(up.shape) # (942,996)
# 再执行一次上采样
up = cv2.pyrUp(up) # 放大
cv_show('up',up)
print(up.shape) # (1884, 1992)
# ==2==
# 下采样
down = cv2.pyrDown(img) # 缩小
cv_show('down',down)
print(down.shape) # (236,249)
# 再执行一次下采样
down = cv2.pyrDown(down) # 缩小
cv_show('down',down)
print(down.shape) # (118,125)
# ==3==
# 上采样后又变成下采样,不会变回原图像,清晰度受损,但是size相同
# 上采样过程中用0填充有损失,下采样过程中去掉一些值也有损失
up = cv2.pyrUp(img)
res = cv2.pyrDown(up)
cv_show('up-down',res)
print(res.shape)