• 理解什么是特征，為什么拐角重要等等
• 我們將了解"Harris Corner Detection”背后的概念。
• 我們將看到以下函數(shù)：cv.cornerHarris(),cv.cornerSubPix()
  1.我們不妨先看一下下面這張圖片：
  圖像非常簡單。在圖像的頂部，給出了六個(gè)小圖像塊。你的問題是在原始圖像中找到這些補(bǔ)丁的確切位置。你可以找到多少正確的結(jié)果？

A和B是平坦的表面，它們散布在很多區(qū)域上。很難找到這些補(bǔ)丁的確切位置。

C和D更簡單。它們是建筑物的邊緣。你可以找到一個(gè)大概的位置，但是準(zhǔn)確的位置仍然很困難。這是因?yàn)檠刂吘壍拿總€(gè)地方的圖案都是相同的。但是，在邊緣，情況有所不同。因此，與平坦區(qū)域相比，邊緣是更好的特征，但不夠好（在拼圖游戲中比較邊緣的連續(xù)性很好）。

最后，E和F是建筑物的某些角落。而且很容易找到它們。因?yàn)樵诠战翘?#xff0c;無論將此修補(bǔ)程序移動(dòng)到何處，它的外觀都將有所不同。因此，它們可以被視為很好的特征。
我們?cè)趫D像中找到了特征。找到它之后，你應(yīng)該能夠在其他圖像中找到相同的圖像。怎么做？我們圍繞該特征采取一個(gè)區(qū)域，我們用自己的語言解釋它，例如“上部是藍(lán)天，下部是建筑物的區(qū)域，在建筑物上有玻璃等”，而你在另一個(gè)建筑物中搜索相同的區(qū)域圖片?；旧?#xff0c;你是在描述特征。同樣，計(jì)算機(jī)還應(yīng)該描述特征周圍的區(qū)域，以便可以在其他圖像中找到它。所謂的描述稱為特征描述。獲得特征及其描述后，你可以在所有圖像中找到相同的功能并將它們對(duì)齊，縫合在一起或進(jìn)行所需的操作。

2.我們看到角是圖像中各個(gè)方向上強(qiáng)度變化很大的區(qū)域。Chris Harris和Mike Stephens在1988年的論文《組合式拐角和邊緣檢測器》中做了一次嘗試找到這些拐角的嘗試，所以現(xiàn)在將其稱為哈里斯拐角檢測器。他把這個(gè)簡單的想法變成了數(shù)學(xué)形式。它基本上找到了$(u，v)$在所有方向上位移的強(qiáng)度差異。表示如下：

$$E(u,v)=\sum _{x,y}w(x,y)\text{window?function}[I(x+u,y+v)\text{shifted?intensity}?\underset{\text{intensity}}{I(x,y)}{]}^2$$

窗口函數(shù)要么是一個(gè)矩形窗口,要么是高斯窗口,它在下面賦予了值。
我們必須最大化這個(gè)函數(shù)$E(u,v)$用于角檢測。這意味著,我們必須最大化第二個(gè)項(xiàng)。將泰勒擴(kuò)展應(yīng)用于上述方程,并使用一些數(shù)學(xué)步驟(請(qǐng)參考任何你喜歡的標(biāo)準(zhǔn)文本書),我們得到最后的等式:

$$E(u,v)\approx \left[\begin{array}{cc}u& v\end{array}\right]M\left[\begin{array}{c}uv\end{array}\right]$$

其中

$$M=\sum _{x,y}w(x,y)\left[\begin{array}{ccc}{I}_x{I}_x& I_x{I}_y{I}_x{I}_y& I_y{I}_y\end{array}\right]$$

在此，$I_x$和$I_y$分別是在x和y方向上的圖像導(dǎo)數(shù)。（可以使用cv.Sobel()輕松找到）。

然后是主要部分。之后，他們創(chuàng)建了一個(gè)分?jǐn)?shù)，基本上是一個(gè)等式，它將確定一個(gè)窗口是否可以包含一個(gè)角。

$$R=det(M)?k(trace(M){)}^2$$

其中

$det(M)={\lambda }_1{\lambda }_2$
$trace(M)={\lambda }_1+{\lambda }_2$
${\lambda }_1$ and ${\lambda }_2$ 是 $M$ 的特征值
因此，這些特征值的值決定了區(qū)域是拐角，邊緣還是平坦。
當(dāng)$|R|$較小，這在${\lambda }_1$和${\lambda }_2$較小時(shí)發(fā)生，該區(qū)域平坦。
當(dāng)$R<0$時(shí)（當(dāng)${\lambda }_1>>{\lambda }_2$時(shí)發(fā)生，反之亦然），該區(qū)域?yàn)檫叀?br /> 當(dāng)$R$很大時(shí)，這發(fā)生在${\lambda }_1$和${\lambda }_2$大且${\lambda }_1$~${\lambda }_2$時(shí)，該區(qū)域是角。
可以用如下圖來表示：

因此，Harris Corner Detection的結(jié)果是具有這些分?jǐn)?shù)的灰度圖像。合適的閾值可為您提供圖像的各個(gè)角落。我們將以一個(gè)簡單的圖像來完成它。
OpenCV中的哈里斯角檢測

為此，OpenCV具有函數(shù)cv.cornerHarris()。其參數(shù)為： - img - 輸入圖像，應(yīng)為灰度和float32類型。 - blockSize - 是拐角檢測考慮的鄰域大小 - ksize - 使用的Sobel導(dǎo)數(shù)的光圈參數(shù)。 - k - 等式中的哈里斯檢測器自由參數(shù)。

請(qǐng)參閱以下示例：

`import numpy as np import cv2 as cv filename = 'chessboard.png' img = cv.imread(filename) gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY) gray = np.float32(gray) dst = cv.cornerHarris(gray,2,3,0.04) #result用于標(biāo)記角點(diǎn)，并不重要 dst = cv.dilate(dst,None) #最佳值的閾值，它可能因圖像而異。 img[dst>0.01*dst.max()]=[0,0,255] cv.imshow('dst',img) if cv.waitKey(0) & 0xff == 27:cv.destroyAllWindows()`

總結(jié)

以上是生活随笔為你收集整理的python-opencv图像处理之哈里斯角检测的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。