[图像识别]9.OpenCV的角点检测 Harris和Shi-tomas_图像特征识别,多角点识别,最多角点数-CSDN博客

本文链接：https://blog.csdn.net/qq_54263076/article/details/127132059

回顾，上节课你学了什么？

R=cv.matchTemplate(img,template,method)

minVal,maxVal,minLoc,maxLoc=cv.minMaxLoc(R)

lines=cv.HoughLines(img,rho,theta,threshold)

circles=cv.HoughCircles(img,method,dp,minDist,param1=100,param2=100

,minRadius=0,maxRadius=0)

1.图像的角点特征

面特征和边缘特征比较大，无法唯一识别位置，角点特征能够唯一确定位置。一般认为角点和斑点都是较好的图像特征。

2.Harris角点检测

【1】原理

通过局部小窗口观察图像，如果沿着任意方向（u,v）灰度都会变化最大，则认为是角点。

定义灰度差异总和E，角点检测就是使得E最大：

I(x, y)----------------局部窗口的图像灰度，

I(x + u, y + v)-----平移后的图像灰度，

w(x, y)--------------窗口函数，该可以是矩形窗口，也可以是对每一个像素赋予不同权重的高斯窗口

I(x + u, y + v) 一阶泰勒展开有：

Ix，沿x方向导数； Iy，沿y方向导数；可用Soble算子公式计算

代入上述公式：

M决定E大小，M又是Ix，Iy的二次项函数，可以表示为椭圆，俩个轴分别为特征值λ1和λ2，方向为特征矢量决定

如果λ1和λ2都很小认为是面

如果λ1和λ2，有一个远大于另一个，则认为是边缘

如果λ1和λ2都很大，且数值差别不大，则认为是角点

Harris给出的角点计算方法并不需要计算具体的特征值，而是计算一个角点响应值R来判断角点。R的计算公式为:

其中

α常数在0.04-0.06之间

如果R绝对值很小认为是面

如果R<0，则认为是边缘

如果R>0，，则认为是角点

【2】代码API

R=cv.cornerHarris(img,blockSize,ksize,k)

img：输入图像必须是float32可用函数np.float32()

blockSize:角点检测考虑的领域大小

ksize：Sobel算子求导使用的卷积核大小

k：角点检测方程中的自由参数0.04-0.06之间

举例

#8.1

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
#解决中文显示问题,固定格式，直接复制下面俩行代码就行
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

#1.读取灰度图像
pic1 =cv.imread("10.jpeg")
gray=cv.cvtColor(pic1,cv.COLOR_BGR2GRAY)
#2.中值去噪
grayb=cv.medianBlur(gray,5)
#3.图像格式转换
grayf=np.float32(grayb)
#4.Harris角点检测
R=cv.cornerHarris(grayf,3,3,0.04)
#5.绘制角点
pic2=pic1.copy()
pic2[R>(0.001*M.max())]=(0,0,255)#该位置为false不会改变,为true改变
#绘制图像
fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(10,10))
axes[0,0].set_title("原图")
axes[0,0].imshow(pic1[:,:,::-1])
axes[0,1].set_title("灰度图")
axes[0,1].imshow(gray,plt.cm.gray)
axes[1,0].set_title("中值去噪")
axes[1,0].imshow(grayb,plt.cm.gray)
axes[1,1].set_title("绘制角点")
axes[1,1].imshow(pic2[:,:,::-1])

plt.show()
cv.waitKey(0)

结果：

3.Shi-tomas角点检测

【1】原理

Shi-tomas算法是对Harris算法的改进，只要λ1和λ2中最小特征值大于一个阈值则认为它是角点

R>阈值为角点

【2】代码API

corners=cv.goodFeaturesToTrack(img,maxCorners,qualityLevel,minDistance)

corners:获得角点的集合[[[x1,y1]],[[x2,y2]]，[[x3,y3]]...]

img:灰度图

maxCorners:获取角点数目

qualityLevel:最低接受角点质量在0-1之间

minDistance:角点之间最小的欧式距离，避免得到相邻特征点，容差

array=矩阵.ravel() #将矩阵拉伸成为一维数组，针对于有多个[]嵌套组合的数组效果好

矩阵.astype("int") #将矩阵转为int矩阵

举例

#8.2

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
#解决中文显示问题,固定格式，直接复制下面俩行代码就行
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

#1.读取灰度图像
pic1 =cv.imread("10.jpeg")
gray=cv.cvtColor(pic1,cv.COLOR_BGR2GRAY)
#2.Shi-tomax角点检测
corners=cv.goodFeaturesToTrack(gray,100,0.4,10).astype("int")
#3.绘制角点
pic2=pic1.copy()
for c in corners:
    x,y=c.ravel()
    cv.circle(pic2,(x,y),5,(0,0,255),-1)

#绘制图像
fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(10,10))
axes[0,0].set_title("原图")
axes[0,0].imshow(pic1[:,:,::-1])
axes[0,1].set_title("灰度图")
axes[0,1].imshow(gray,plt.cm.gray)
axes[1,1].set_title("绘制角点")
axes[1,1].imshow(pic2[:,:,::-1])

plt.show()
cv.waitKey(0)

结果：

总结，这节课你学到了什么？

R=cv.cornerHarris(img,blockSize,ksize,k)

corners=cv.goodFeaturesToTrack(img,maxCorners,qualityLevel,minDistance)

array=矩阵.ravel()

矩阵.astype("int")