OpenCV哈里斯角檢測|Harris?Corner理論實踐

更新時間：2023年04月13日 09:50:06 作者：uncle_ll

這篇文章主要為大家介紹了OpenCV哈里斯角檢測|Harris?Corner理論實踐，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪

目標(biāo)

在本章中，將學(xué)習(xí)

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

理論

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。合適的閾值可提供圖像的各個角落。

OpenCV中的哈里斯角檢測

在OpenCV中有實現(xiàn)哈里斯角點檢測，cv2.cornerHarris()。其參數(shù)為：

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

src - 輸入圖像，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)

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 &gt;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()

以下是結(jié)果：

可以看到，各個角點已經(jīng)標(biāo)紅。

SubPixel精度的轉(zhuǎn)角

有時候可能需要找到最精確的角點。OpenCV附帶了一個函數(shù)cv2.cornerSubPix()，它進一步細(xì)化了以亞像素精度檢測到的角點。下面是一個例子。

和之前一樣，首先需要先找到哈里斯角點
然后通過這些角的質(zhì)心(可能在一個角上有一堆像素，取它們的質(zhì)心)來細(xì)化它們
Harris角用紅色像素標(biāo)記，SubPixel角用綠色像素標(biāo)記

對于cv2.cornerSubPix()函數(shù)，必須定義停止迭代的條件。我們可以在特定的迭代次數(shù)或達(dá)到一定的精度后停止它。此外，還需要定義它將搜索角點的鄰居的大小。

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

image: 輸入圖像，單通道
corners: 輸入的初始坐標(biāo)和為輸出提供的精制坐標(biāo)
winSize: 搜索窗口的一半側(cè)面長度
zeroZone: 搜索區(qū)域中間的死區(qū)大小的一半在下面的公式中的求和,有時用于避免自相關(guān)矩陣的可能奇點。(−1,−1)(-1,-1)(−1,−1) 的值表示沒有這樣的尺寸
criteria: 終止角點細(xì)化過程的條件

# sub pixel更精度角點
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()

以下是結(jié)果, 可以看到SubPixel更精確一點：