注释:本文翻译自OpenCV3.0.0 document->OpenCV-Python Tutorials,包括对原文档种错误代码的纠正
1.目标
- 我们将了解harris corner detection背后的概念
- 学习函数:cv2.cornerHarris()、cv2.cornerSubPix()
2.理论
在上一章中,我们看到角落是图像中各个方向强度变化很大的区域。早在1988年,Chris Harris & Mike Stephens就在其论文A Combined Corner and Edge Detector中发现了这些角落的一个早期尝试,现在它被称为harris Corner Detector。他把这个简单的思想变成了一种数学形式。它基本找到了所有方向上的(u,v)位移的强度差异。这表示如下:
窗口函数是一个矩形窗口或高斯窗口,它给在其中的像素加权。
我们必须使边角检测的函数 最大化,这意味着,我们必须最大限度地利用第二个参数。将泰勒展开式应用于上述方程并使用一些数学步骤(请参阅你喜欢的任何标准教科书以获得完整推导),我们的最终方程式为:
其中M为:
这里I_x和I_y分别是在x和y方向上的导数(使用cv2.Sobel()可以得到)。
然后是主要部分。在此之后,他们创建了一个分数,基本上是一个等式,它将决定一个窗口是否可以包含边角。
其中:
- 和 是M的特征值
所以这些特征值的值决定了一个区域是角落,边缘还是平面。
- 当 很小,也就是介于 和 之间,该区域是平面.
- 当 ,也就是当 或相反时,该区域是边缘.
- 当 很大,即当 和 都很大并且R介于 之间, 该区域是边角.
可以如下图表示:
所以Harris Corner检测的结果是一个灰度图像与这些数值,合适的阈值会给出图像中的边角。所以我们会用一个简单的图像来做到这点。
3.OpenCV中的harrisCorner检测器
为此,OpenCV中有cv2.cornerHarris(),它的参数是:
- Img:输入图像,应该是灰度和float32类型
- blockSize:这是考虑边角检测的领域大小
- ksize:使用Sobel衍生物的孔径参数
- k:harris Corner检测器的自由参数
下面是一个栗子:
# -*- coding: utf-8 -*- ''' harris Corner检测 1.OpenCV中的函数cv2.cornerHarris()和cv2.cornerSubPix() 2.cv2.cornerharris()参数: img:输入图像 blockSize:这是考虑检测的领域大小 ksize:使用Sobel衍生物的孔径参数 k:harris Corner检测器的自由参数 ''' import cv2 import numpy as np filename = 'blox.jpg' img = cv2.imread(filename) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray = np.float32(gray) dst = cv2.cornerHarris(gray, 2, 3, 0.04) # 结果是扩大标记的角落,不重要 dst = cv2.dilate(dst, None) # 最佳值的阈值,它可能因图像而异 img[dst > 0.01 * dst.max()] = [0, 255, 0] cv2.imshow('dst', img) if cv2.waitKey(0) & 0xFF == 27: cv2.destroyAllWindows()
结果:
4.具有SubPixel准确度的角落(Corner with SubPixel Accuracy)
有时候,你可能需要以最高精度找到角点。OpenCV带有一个函数cv2.cornerSubPix().它进一步细化了以亚像素检测到的角点。下面是一个栗子。像往常一样,我们需要先找到Harris Corner,然后通过这些角的质心(可能有一些像素位于角落,我们取其质心)来优化它们。Harris Corner的角落标记为红色像素,精致的角落标记为绿色像素。对于这个函数,我们必须定义何时停止迭代的标准。我们停止指定的迭代次数或达到一定的准确度,以先发生者为准。我们还需定义要搜索拐角的领域的大小。
# -*- coding: utf-8 -*- ''' 具有subPixel准确度的角落: 有时候需要以高精确度找到角点。使用cv2.cornerSubPix(),它进一步细化了以亚像素检测到的角点。 1.要先寻找harris corner,然后找到这些点的质心。 2.下面栗子中,harris corner的角落标记为红色像素,精致的角落标记为绿色像素。 3.还需要搜索拐角领域的大小 ''' import cv2 import numpy as np filename = 'blox.jpg' img = cv2.imread(filename) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 找到harris corner gray = np.float32(gray) 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) # 找到质心 ret, labels, states, centroids = cv2.connectedComponentsWithStats(dst) # 定义停止和改进角落的标注 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) # 现在绘制它们 res = np.hstack((centroids, corners)) res = np.int0(res) img[res[:, 1], res[:, 0]] = [0, 0, 255] # 红色 img[res[:, 3], res[:, 2]] = [0, 255, 0] # 绿色 cv2.imwrite('subpixel5.png', img) cv2.imshow('res', img) cv2.waitKey(0) & 0xFF cv2.destroyAllWindows()
结果: