《数字图像处理-OpenCV/Python》第17章：图像的特征描述

《数字图像处理-OpenCV/Python》第17章：图像的特征描述

本书京东 优惠购书链接 https://item.jd.com/14098452.html
本书CSDN 独家连载专栏 https://blog.csdn.net/youcans/category_12418787.html

第17章：图像的特征描述

特征检测与匹配是计算机视觉的基本任务，包括检测、描述和匹配三个相互关联的步骤。广泛应用于目标检测、图像检索、视频跟踪和三维重建等诸多领域。
OpenCV提供了丰富的特征检测和匹配算法，不仅继承了cv::Feature2D 类，而且采用了统一的定义和封装。

17.1 角点检测之Harris算法

角是直线方向的快速变化，角点定义为两条边的交点，是简单高效的特征。角点检测（Corner Detection）是特征检测的基础，Harris算法是经典的角点检测算法。

Harris角点检测

Harris角点检测算法的原理是，通过检测窗口在图像上移动，计算移动前后窗口中像素的灰度变化。角点是两条边的交点，其特征是检测窗口沿任方向移动都会导致灰度的显著变化。

Harris算法计算梯度的协方差矩阵M，协方差矩阵形状为椭圆，长短半轴由特征值 $({\lambda }_1,{\lambda }_2)$决定，方向由特征向量决定。定义如下的角点响应函数 R。

$$\begin{array}{rl}R=& det(M)-k[trace(M){]}^2\\ & det(M)={\lambda }_1\ast {\lambda }_2\\ & trace(M)={\lambda }_1+{\lambda }_2\end{array}$$

角点响应 R 只与矩阵 M 的特征值 ${\lambda }_1，{\lambda }_2$ 有关，可以用来判断区域是拐角、边缘还是平坦：

• ${\lambda }_1，{\lambda }_2$ 较小时， $|R|$ 较小，即各个方向上灰度基本不变，表明检测器处于平坦区域；
• ${\lambda }_1>>{\lambda }_2$ 或 ${\lambda }_2>>{\lambda }_1$ 时， $R<0$ ，即灰度在某个方向变化，但在其正交方向不变化，表明检测器处于边缘区域；
• ${\lambda }_1，{\lambda }_2$ 较大且数值相当时，灰度在某个方向及其正交方向都变化强烈，表明存在角点或孤立点。

Harris角点检测算法的重复性好、检测效率高，应用比较广泛。

Shi-Tomas角点检测

Shi-Tomas算法是对Harris角点检测算法的改进，区别在于将角点响应函数修改如下。

$$R=min({\lambda }_1,{\lambda }_2)$$
只有当梯度协方差矩阵M的特征值 ${\lambda }_1,{\lambda }_2$ 都大于阈值时，才判定为角点。

OpenCV的角点检测函数

在OpenCV中提供了函数cv.cornerEigenValsAndVecs计算图像或矩阵的特征值和特征向量，函数cv.cornerMinEigenVal计算梯度矩阵的最小特征值，函数cv.cornerHarris实现Harris角点检测。

函数原型

cv.cornerHarris(src, blockSize, ksize, k[, dst, borderType]) → dst
cv.cornerEigenValsAndVecs(src, blockSize, ksize[, dst, borderType]) → dst
cv.cornerMinEigenVal(src, blockSize[, dst, ksize, borderType]) → dst

参数说明

 src：输入图像，单通道，数据类型为CV_8U或浮点数类型。
 dst：输出图像，角点响应函数，大小与src相同，格式为CV_32FC1。
 blockSize：检测器的滑动窗口尺寸，为整数。
 ksize：Sobel梯度算子的孔径，即卷积核的大小，为整数。
 k：Harris角点响应函数的调节参数，通常取0.04～0.06。
 borderType：边界扩充的类型，不支持BORDER_WRAP。

注意问题
⑴ 函数cv.cornerHarris返回值是如下的Harris的角点响应图像R。
$$R=dst(x,y)=det(M(x,y))-k\ast [trace(M(x,y)){]}^2$$
从角点响应图像中筛选大于检测阈值、且为局部最大值的点，就是图像的角点。检测阈值通常可以设为最大响应值的0.01～0.1。
⑵ 函数cv.cornerMinEigenVal与cv.cornerEigenValsAndVecs类似，区别在于它计算和保存矩阵M的最小特征值，即 $min({\lambda }_1,{\lambda }_2)$。

在OpenCV中提供了函数cv.goodFeaturesToTrack实现Shi-Tomas角点检测。

先使用cornerHarris或cornerMinEigenVal计算角点响应函数，最小特征值小于阈值的角点被剔除；并进行非最大值抑制，只保留(3×3)邻域中的局部最大值；最后按照角点响应函数的大小排序，输出前N个结果。

函数原型

cv.goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance[, corners, mask, blockSize, useHarrisDetector, k=0.04]) → corners

参数说明

 src：输入图像，单通道，数据类型为CV_8U或浮点数类型。
 corners：二维点向量集合的坐标(x,y)，形如(n,1,2)的Numpy数组，浮点数。
 maxCorners：角点数量的最大值N，整数。
 qualityLevel：角点阈值系数，浮点数，取值范围0.0～1.0。
 minDistance：角点之间的最小欧式距离。
 mask：掩模图像，指定检测角点的区域，可选项。
 blockSize：检测器的滑动窗口尺寸，可选项，默认值为3。
 k：Harris角点响应函数的调节参数，可选项，默认值0.04。
 useHarrisDetector：计算角点响应的方法，默认值false，使用cornerMinEigenVal计算，true表示使用cornerHarris计算。

注意问题

⑴ 输出参数corners是形如(n,1,2)的Numpy数组，表示检测到n个角点的坐标(x,y)。
⑵ 检测阈值是阈值系数qualityLevel与最大响应值的乘积，小于阈值的角点都被拒绝。例如，最大响应为1500，系数为0.1，则检测阈值为150。
⑶ 剔除间距小于maxDistance的角点，实现非最大值抑制方法，避免重复的邻近角点。

【例程1701】角点检测之Harris算法和Shi-Tomas算法

本例程示例Harris角点检测算法和Shi-Tomas角点检测算法的使用。
Harris角点检测函数的返回值是角点响应图像，需要进行阈值处理才能得到角点坐标。Shi-Tomas角点检测函数的返回值是角点坐标。

# 【1701】角点检测之Harris算法和Shi-Tomas算法
import cv2 as cv
import numpy as np
from matplotlib import pyplot as pltif __name__ == '__main__':img = cv.imread("../images/Fig1201.png", flags=1)gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)# Harris 角点检测算法dst = cv.cornerHarris(gray, 5, 3, k=0.04)  # 角点响应图像，坐标(y,x)# Harris[dst>0.1*dst.max()] = [0,0,255]  # 筛选角点，红色标记stack = np.column_stack(np.where(dst>0.2*dst.max()))  # 阈值筛选角点 (n,2)corners = stack[:, [1, 0]]  # 调整坐标次序：(y,x) -> (x,y)print("num of corners by Harris: ", corners.shape)imgHarris = img.copy()for point in corners: cv.drawMarker(imgHarris, point, (0,0,255), cv.MARKER_CROSS, 10, 1)  # 在点(x,y)标记# Shi-Tomas 角点检测算法maxCorners, qualityLevel, minDistance = 100, 0.1, 5corners = cv.goodFeaturesToTrack(gray, maxCorners, qualityLevel, minDistance)  # 角点坐标 (x,y)corners = np.squeeze(corners).astype(np.int)  # 检测到的角点 (n,1,2)->(n,2)print("num of corners by Shi-Tomas: ", corners.shape[0])imgShiTomas = np.copy(img)for point in corners:  # 注意坐标次序cv.drawMarker(imgShiTomas, (point[0], point[1]), (0,0,255), cv.MARKER_CROSS, 10, 2)  # 在点(x,y)标记plt.figure(figsize=(9, 3.3))plt.subplot(131), plt.title("1. Original")plt.axis('off'), plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB))plt.subplot(132), plt.title("2. Harris corners")plt.axis('off'), plt.imshow(cv.cvtColor(imgHarris, cv.COLOR_BGR2RGB))plt.subplot(133), plt.title("3. Shi-tomas corners")plt.axis('off'), plt.imshow(cv.cvtColor(imgShiTomas, cv.COLOR_BGR2RGB))plt.tight_layout()plt.show()  

运行结果：
num of corners by Harris: 589
num of corners by Shi-Tomas: 66

图17-1 Harris角点检测和Shi-Tomas角点检测

程序说明：

⑴ 程序运行结果如图17-1所示。子图1是原始图像，子图2是Harris角点检测的结果，子图3是Shi-Tomas角点检测的结果。
⑵ 运行结果表明，Harris算法函数检测到的角点数量远大于Shi-Tomas算法函数的结果。这是由于角点周围像素的响应值都很高，都被识别为角点，因此Harris函数会检测到大量重复的角点。

版权声明：
youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/140212758)
Copyright 2024 youcans, XUPT
Crated：2024-07-05

《数字图像处理-OpenCV/Python》 独家连载专栏 : https://blog.csdn.net/youcans/category_12418787.html