将图像转为特征值_计算机视觉——图像特征检测（2020.11.1）

最新推荐文章于 2023-12-31 01:09:28 发布

weixin_39522170

最新推荐文章于 2023-12-31 01:09:28 发布

阅读量880

点赞数

文章标签：将图像转为特征值

本文链接：https://blog.csdn.net/weixin_39522170/article/details/112610230

版权

本文详细介绍了图像特征检测的四种方法：Harris角点检测、FAST特征检测、SIFT（尺度不变）和SURF。Harris角点检测通过计算角点响应函数R来检测角点；FAST特征检测是一种实时性好的角点检测算法，但不具有方向性和尺度不变性；SIFT则具有旋转、尺度缩放、亮度变化不变性，包含构建尺度空间、特征点检测、计算主方向、特征点描述和匹配等多个步骤；SURF在SIFT基础上进行了优化，提高了实时性，采用Hessian矩阵和盒子滤波器来加速计算。

摘要由CSDN通过智能技术生成

一、Harris角点检测

基本原理

人眼对角点的识别常在一个局部小区域完成，这个区域内的像素的灰度积分为判断标准。
灰度变化平缓区域，窗口内像素灰度积分近似保持不变： Flat
边缘区域，仅沿边缘方向，灰度积分近似不变，沿其余任意方向，均剧烈变化： Edge
角点处，沿任意方向移动，灰度积分均会剧烈变化： Corner

Flat Edge Corner

灰度积分变化E(u,v)当u，v很小时经过推导得：

M为海森矩阵，M存在着两个特征值，由于E为常数时，第一个式子近似为椭圆，而M的两个特征值的导数的平方根为半长轴和半短轴，决定了椭圆的扁率和尺寸，进而：

边缘：一个特征值大，另一个特征值小->自相关函数值在某一方向上大，在其他方向上小
平面：两个特征值都小，且近似相等->自相关函数数值在各个方向上都小
角点：两个特征值都大，且近似相等->自相关函数在所有方向都增大

实际不必求这两个特征值，可以使用角点响应函数R:

其中k=0.04~0.06，为经验常数，判断依据如下：

边缘：R<0
平面：R>0
角点：|R|小

测试代码

import cv2
import numpy as np
img=cv2.imread('har.jpg')
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

gray=np.float32(gray)
dst=cv2.cornerHarris(gray,2,3,0.04)#角点检测
dst = cv2.dilate(dst,None)#膨胀，提升后续图像角点标注的清晰准确度

cv2.imshow('img',img)
img[dst>0.01*dst.max()]=[0,0,255]#设定一个阈值，当大于这个阈值分数的都可以判定为角点
while True:
    cv2.imshow('corners',img)
    if cv2.waitKey(50)  &  0xff ==ord('q'):