OpenCV哈里斯角检测|Harris Corner理论实践

目录

• 目标
• 理论
• OpenCV中的哈里斯角检测
• SubPixel精度的转角

目标

在本章中，将学习

• "Harris Corner Detection”背后的思想
• 函数：cv2.cornerHarris(),cv.2cornerSubPix()

理论

可以用如下图来表示：

因此，Harris Corner Detection的结果是具有这些分数的灰度图像。合适的阈值可提供图像的各个角落。

OpenCV中的哈里斯角检测

在OpenCV中有实现哈里斯角点检测，cv2.cornerHarris()。其参数为：

dst = cv2.cornerHarris(src, blockSize, ksize, k[, dst[, borderType]] )

• src - 输入图像，灰度和float32类型
• blockSize - 是拐角检测考虑的邻域大小
• ksize - 使用的Sobel导数的光圈参数
• k- 等式中的哈里斯检测器自由参数

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('chessboard.png')
img_copy = img.copy()
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
# result is dilated for marking the corners, not important
dst = cv2.dilate(dst, None)
# Threshold for an optimal value, it may vary depending on the image.
img[dst >0.01*dst.max()]=[255,0,0]
# plot
plt.subplot(121)
plt.imshow(img_copy, cmap='gray')
plt.xticks([])
plt.yticks([])
plt.subplot(122)
plt.imshow(img, cmap='gray')
plt.xticks([])
plt.yticks([])
plt.show()

以下是结果：

可以看到，各个角点已经标红。

SubPixel精度的转角

有时候可能需要找到最精确的角点。OpenCV附带了一个函数cv2.cornerSubPix()，它进一步细化了以亚像素精度检测到的角点。下面是一个例子。

• 和之前一样，首先需要先找到哈里斯角点
• 然后通过这些角的质心(可能在一个角上有一堆像素，取它们的质心)来细化它们
• Harris角用红色像素标记，SubPixel角用绿色像素标记

对于cv2.cornerSubPix()函数，必须定义停止迭代的条件。我们可以在特定的迭代次数或达到一定的精度后停止它。此外，还需要定义它将搜索角点的邻居的大小。

corners = cv.cornerSubPix( image, corners, winSize, zeroZone, criteria )

• image: 输入图像，单通道
• corners: 输入的初始坐标和为输出提供的精制坐标
• winSize: 搜索窗口的一半侧面长度
• zeroZone: 搜索区域中间的死区大小的一半在下面的公式中的求和,有时用于避免自相关矩阵的可能奇点。(−1,−1)(-1,-1)(−1,−1) 的值表示没有这样的尺寸
• criteria: 终止角点细化过程的条件

# sub pixel更精度角点
import cv2
import numpy as np
img = cv2.imread('chessboard2.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# find Harris corners
dst = cv2.cornerHarris(gray,2, 3, 0.04)
dst = cv2.dilate(dst, None)
ret, dst = cv2.threshold(dst, 0.01*dst.max(), 255,0)
dst = np.uint8(dst)
# find centroids
ret, labels, stats, centroids = cv2.connectedComponentsWithStats(dst)
# define the criteria to stop and refine the corners
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.001)
corners = cv2.cornerSubPix(gray, np.float32(centroids), (5, 5), (-1, -1), criteria)
# Now draw them
res = np.hstack((centroids,corners))
res = np.int0(res)
img[res[:,1],res[:,0]]=[0,0,255]
img[res[:,3],res[:,2]] = [0,255,0]
cv2.imshow('subpixel', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

以下是结果, 可以看到SubPixel更精确一点：

附加资源

docs.opencv.org/4.1.2/dd/d1…

docs.opencv.org/4.1.2/dd/d1…

docs.opencv.org/4.1.2/dd/d1…

docs.opencv.org/4.1.2/d4/d8…

docs.opencv.org/4.1.2/dd/d1…

以上就是OpenCV哈里斯角检测|Harris Corner理论实践的详细内容，更多关于OpenCV哈里斯角检测的资料请关注我们其它相关文章！