matlab编程实现Forstner算子

clear all;
clc;
%获取文件名、路径
[Filename,Pathname,FilterIndex]=uigetfile({'test1.png','D:\新建文件夹\遥感\数字摄影测量\Forstner算子'},'Select the input image');
if FilterIndex
    pic_orig=imread([Pathname,Filename]);%读取原始标准影像
else
    return
end
figure(1);
imshow(pic_orig);%显示原始标准影像
title('原始标准影像');
%判断是否为彩色图像,是彩色则转换为灰度图像
[x,y,z]=size(pic_orig);
if(z~=1)
    pic_gray = rgb2gray(pic_orig);
end
figure(2);
imshow(pic_gray);%显示灰度图像
title('灰度图像');
%lever=graythresh(pic_gray);%二值图像的阈值
pic_bw=im2bw(pic_gray,0.9);%把灰度图像转换成二值图像,阈值可调
figure(3);
imshow(pic_bw);
title('二值化图像');

%第一步:先用4个方向的差分算子提取初选点
result=zeros(x,y);%特征提取结果
for i=2:x-1
    for j=2:y-1
        dg1=abs(pic_bw(i,j)-pic_bw(i+1,j));
        dg2=abs(pic_bw(i,j)-pic_bw(i,j+1));
        dg3=abs(pic_bw(i,j)-pic_bw(i-1,j));
        dg4=abs(pic_bw(i,j)-pic_bw(i,j-1));
        dg=[dg1,dg2,dg3,dg4];
        temp=sort(dg);%对四个差分算子进行升序排列
        if temp(3)==1%有任意两个大于阈值,则该像素有可能是一特征点
            result(i,j)=255;%是初选点
        else
            result(i,j)=0;%不是初选点
        end
    end
end
figure(4);
imshow(result);
title('初选点');

%第二步:在以初选点为中心的3*3窗口中计算协方差矩阵与圆度
wMatrix=zeros(x,y);%权重矩阵
Tq=0.8;%阈值,可设置
for i=2:x-1
    for j=2:y-1
        if result(i,j)==255%如果是初选点
            gu2=0.0;
            gv2=0.0;
            guv=0.0;
            for ii=i-1:i
                for jj=j-1:j
                    gu2=gu2+(pic_bw(ii+1,jj+1)-pic_bw(ii,jj))^2;
                    gv2=gv2+(pic_bw(ii,jj+1)-pic_bw(ii+1,jj))^2;
                    guv=guv+(pic_bw(ii+1,jj+1)-pic_bw(ii,jj))*(pic_bw(ii,jj+1)-pic_bw(ii+1,jj));
               end
            end
                DetN=gu2*gv2-guv^2;
                trN=gu2+gv2;
                q=4*DetN/(trN*trN);

            %第三步:设点该阈值Tq,若满足则计算权值
            if q>Tq
                wMatrix(i,j)=DetN/trN;
            else
                result(i,j)=0;
            end
        end
    end
end
figure(5);
imshow(result);
title('进一步提取的特征点');

%第四步:以权值为基础,在一定窗口内抑制非最大候选点,取出局部极大值点
vwsize=5;%选择5*5的窗口
wradius=floor(vwsize/2);
for i=wradius+1:x-wradius
    for j=wradius+1:y-wradius
        if result(i,j)==255
            tempiv= wMatrix(i-wradius:i+wradius,j-wradius:j+wradius);
            tempsort=sort(tempiv(:),'descend');
            if wMatrix(i,j)==tempsort(1)&&wMatrix(i,j)~=tempsort(2)
                ;
            else
                result(i,j)=0;
            end
        end
    end
end
figure(6);
imshow(result);
title('forstner提取的最终匹配点');

结果图:

  • 6
    点赞
  • 36
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 回答1: Forstner算子是一种用于图像特征检测的算法,可以用Python实现。以下是一个简单的实现示例: ```python import numpy as np from scipy.ndimage import gaussian_filter from scipy.ndimage import maximum_filter def forstner_corners(image, sigma=1): # 高斯平滑图像 smoothed = gaussian_filter(image, sigma) # 计算图像梯度 gradient_y, gradient_x = np.gradient(smoothed) # 计算梯度矩阵 Ixx = gradient_x ** 2 Ixy = gradient_x * gradient_y Iyy = gradient_y ** 2 # 高斯平滑梯度矩阵 gIxx = gaussian_filter(Ixx, sigma) gIxy = gaussian_filter(Ixy, sigma) gIyy = gaussian_filter(Iyy, sigma) # 计算Forstner响应函数 det = (gIxx * gIyy) - (gIxy ** 2) trace = gIxx + gIyy response = np.zeros(det.shape) mask = (trace != 0) response[mask] = det[mask] / trace[mask] # 找到局部最大值 local_max = maximum_filter(response, size=5, mode='constant') # 返回局部最大值的位置 corner_coords = np.transpose(np.nonzero((response == local_max) & (response != 0))) return corner_coords ``` 这个函数将输入图像和高斯平滑参数作为输入,并返回用Forstner算子检测到的角点的坐标。请注意,此实现中使用了SciPy库中的一些函数和NumPy数组操作,因此您需要安装这些库才能运行此代码。 ### 回答2: Forstner算子是一种用于图像分割和特征提取的算法,主要用于检测图像中的角点。下面是用Python实现Forstner算子的简要步骤: 1. 对输入的图像进行灰度化处理,可以使用Python中的OpenCV库来完成这一步骤。 2. 在图像中选择一个待检测的窗口,窗口大小对于算法的效果有一定的影响。通常选择大小为3x3或5x5的窗口。 3. 在选择的窗口内,计算每个像素点的灰度梯度向量。可以使用Sobel算子来计算图像在x和y方向上的梯度。 4. 计算每个像素点的结构张量矩阵,它由窗口内的像素点的灰度梯度向量外积的和组成。 5. 计算每个像素点的特征值和响应函数。对于结构张量矩阵,可以通过计算其特征值来得到每个像素点的响应函数。根据Forstner算子的定义,对于一个2x2的结构张量矩阵,特征值的计算公式为: R = min(λ1/λ2, λ2/λ1) ,其中λ1和λ2分别为特征值。 6. 根据计算得到的响应函数,对于每个像素点进行阈值判断,判断其是否为角点。一般来说,对于阈值大于某个预先设定的值的像素点,我们认为其为角点。 7. 将检测到的角点在图像上进行标记,以便后续的处理和分析。 以上就是使用Python实现Forstner算子的基本步骤。实际实现时,还需要利用Python的OpenCV库来进行图像处理和运算。在计算特征值和响应函数时,可以使用Python的线性代数库(如numpy)来进行矩阵运算。最后,为了更好地检测和分析角点,还可以在Forstner算子的基础上进行一些改进和优化,以提高算法的效果和准确性。 ### 回答3: Forstner算子是一种图像处理算法,用于检测图像中的兴趣点,并估计这些点的圆形边界。下面是使用Python实现Forstner算子的伪代码: 1. 导入所需的图像处理库和数学库,如OpenCV和numpy。 2. 读取输入图像,将其转换为灰度图像。 3. 定义一个函数,以灰度图像和兴趣点阈值作为参数。 4. 在函数内部,使用OpenCV的角点检测函数(如goodFeaturesToTrack)找到输入图像中的角点。 5. 对于每个检测到的角点,计算该点的Forstner响应函数。 a. 首先,用一个小的窗口(如3x3)计算角点周围区域的结构张量。结构张量包含图像中某个位置的x和y上的梯度的二阶导数。 b. 接下来,使用结构张量计算Forstner矩阵,该矩阵描述了兴趣点周围的图像结构。 c. 计算Forstner响应值,它是Forstner矩阵的特征值之比。 6. 如果Forstner响应值大于阈值,则认为该点是一个强兴趣点,并将其保存在一个列表中。 7. 返回保存的强兴趣点列表。 8. 调用上述函数,传入图像和适当的阈值,以检测Forstner算子。 需要注意的是,上述伪代码只是一种简化的实现方法,实际的Forstner算子实现可能还需要一些参数调整和性能优化。这里只提供了一个基本的框架,具体实现可能会有所差异。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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