opencv python版（四）

Bear.Hero

已于 2024-07-06 23:30:28 修改

阅读量897

点赞数 20

分类专栏： opencv基础文章标签： opencv python

于 2023-11-28 21:01:46 首次发布

本文链接：https://blog.csdn.net/weixin_63087177/article/details/134676780

版权

opencv基础专栏收录该内容

5 篇文章 0 订阅

订阅专栏

opencv python版（四）

harris角点检测

角点：角点可以是两条线的交叉处，也可以是位于相邻的两个主要方向不同的事物上的点，即某方面特别突出的点。角点目前为止还没有明确的数学定义。角点在保留图像图形重要特征的同时,可以有效地减少信息的数据量,使其信息的含量很高,有效地提高了计算的速度,有利于图像的可靠匹配。

基本原理

在这里插入图片描述

代码实现

cv2.cornerHarris()

img：数据类型为 ﬂoat32 的入图像
blockSize：角点检测中指定区域的大小
ksize： Sobel求导中使用的窗口大小
k：取值参数为 [0,04,0.06]

import cv2
import numpy as np

img = cv2.imread(r'Z:\coding\Anaconda\envs\Deep_Learning\cv_learning\dataset\111.png')
print ('img.shape:',img.shape)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# gray = np.float32(gray)
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
print ('dst.shape:',dst.shape)

#红色点标记角点
img[dst>0.01*dst.max()]=[0,0,255]
cv2.imshow('dst',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

效果展示

Scale Invariant Feature Transform（SIFT）

图像尺度空间

在一定的范围内，无论物体是大还是小，人眼都可以分辨出来，然而计算机要有相同的能力却很难，所以要让机器能够对物体在不同尺度下有一个统一的认知，就需要考虑图像在不同的尺度下都存在的特点。

尺度空间的获取通常使用高斯模糊来实现

import cv2
import matplotlib.pyplot as plt


img = cv2.imread(r'Z:\coding\Anaconda\envs\Deep_Learning\cv_learning\dataset\test_6.png')

img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#GS滤波
gs = cv2.GaussianBlur(img,(3,3),0)
gs_1 = cv2.GaussianBlur(img,(5,5),0)
gs_2 = cv2.GaussianBlur(img,(9,9),0)
gs_3 = cv2.GaussianBlur(img,(11,11),0)
gs_4 = cv2.GaussianBlur(img,(13,13),0)

filter = [img,gs,gs_1,gs_2,gs_3,gs_4]
titles = ['origin','gs','gs_1','gs_2','gs_3','gs_4']


#plt 展示所有图像
for i in range(6):
    plt.subplot(2, 3, i+1)
    plt.title(titles[i])
    plt.imshow(filter[i],'gray')

plt.xticks([]), plt.yticks([])
plt.show()