图形学笔记(四)——Harris 角点检测器延申
图形学笔记(四)
Harris 角点检测器延申——在图像间寻找对应点
原理
Harris角点检测器可以检测出来图像中的兴趣点,但是没有给出比较图像间兴趣点来寻找匹配角点的方法。我们需要在每个点上加上描述子信息,并给出比较这些描述子的方法。
兴趣点描述子是分配给兴趣点的一个向量,描述该点附近的图像的表观信息,描述子越好,寻找到的对应点也越好。我们用对应点或点的对应来描述相同物体和场景点在不同图像上形成的像素点.
Harris角点的描述子通常是由周围图像像素块的灰度值,以及用于比较的归一化互相关矩阵构成的.图像的像素块由以该像素点为中心的周围矩阵部分图像构成.(其实我们可以把这个矩阵,看成一个窗口,因为我们很难从全局去考虑这个点的位置,所以我们需要在这个点附近开一个窗口,然后通过对应点之间的窗口进行比较,来达到描述两个角点的相似性的目的)
我们可以定义一个函数:
c(I1,I2)=Σxf(I1(x),I2(x))c(I_1,I_2) = \Sigma_x f(I_1(x),I_2(x)) c(I1,I2)=Σxf(I1(x),I2(x))
其中,函数f随着相关方法的变化而变化,上式取像素块中所有像素位置x的和,对于互相关矩阵,函数f(I1,I2)=I1I2f(I_1,I_2) = I_1I_2f(I1,I2)=I1I2,因此c(I1,I2)=I1⋅I2c(I_1,I_2) = I_1\cdot I_2c(I1,I2)=I1⋅I2,其中⋅\cdot⋅代表向量乘法。c(I1,I2)c(I_1,I_2)c(I1,I2)的值越高,像素块I1,I2I_1,I_2I1,I2的相似度也越高。(另一个常用的是f(I1,I2)=(I1−I2)2f(I_1,I_2)= (I_1-I_2)^2f(I1,I2)=(I1−I2)2)
上面说的其实就是用余弦法来度量两个向量的相似度,余弦的值越大,两个向量就越接近。
归一化的互相关矩阵是互相关矩阵的一种变形,可以被定义为:
ncc(I1,I2)=1n−1ΣxI1(x)−μ1σ1⋅I2(x)−μ2σ2ncc(I_1,I_2) = \frac{1}{n-1} \Sigma_{x} \frac{I_1(x)-\mu_1}{\sigma_1}\cdot \frac{I_2(x)-\mu_2}{\sigma_2} ncc(I1,I2)=n−11Σxσ1I1(x)−μ1⋅σ2I2(x)−μ2
学过高斯的都知道,这里的μ\muμ代表的是平均值,σ\sigmaσ代表的是标准差,而这里的统计范围是以某个点为中心的窗口中的所有像素点。这里实际上在干的事情是:求每张图片的相对亮度,所构成的向量的余弦,这样可以有效地消除由于左右目相机接收到的光照条件不同而引起的差异。
我们使用非常有名的tsukuba来进行测试,这个数据集是一个用于立体匹配的数据集:
代码
from PIL import Image
from numpy import *
from pylab import *
from scipy. ndimage import filters# 计算比值得分的函数,即计算finalScore
def computeHarrisResponse(im, sigma = 3):"""在一幅灰度图像中,对每个像素计算角点器响应函数输入:im:表示需要求R的图像(需要是灰度图)sigma:考虑半径返回:Wdet / Wtr : lambda1*lambda2 与 (lambda1+lambda2)^2的比"""# 计算导数# I_ximx = zeros(im.shape)filters.gaussian_filter(im, (sigma, sigma), (0, 1) , imx)# I_yimy = zeros(im.shape)filters.gaussian_filter(im, (sigma, sigma), (1, 0) , imy)# 计算Harris矩阵的分量Wxx = filters.gaussian_filter(imx * imx, sigma)Wxy = filters.gaussian_filter(imx * imy, sigma)Wyy = filters.gaussian_filter(imy * imy, sigma)# 计算特征值和迹Wdet = Wxx * Wyy - Wxy ** 2Wtr = Wxx + Wyyreturn Wdet / Wtr# 从每个像素计算角点器响应函数到图像中的所有角点
def getHarrisPoints(harrisim, minDist = 10, threshold = 0.1):"""从一幅Harris响应图像中返回角点。输入:minDist:分割角点和图像边界的最少像素数目输出:角点们"""# 寻找高于阈值的候选角点# 角点阈值等于得分矩阵中最大的*0.1cornerThreshold = harrisim.max() * threshold#harrisim_t为1的位置就是可能是角点的harrisimT = (harrisim > cornerThreshold) * 1# 得到候选点的坐标coords = array(harrisimT.nonzero()).T# 候选点的Harris 响应值candidateValues = [harrisim[c[0], c[1]] for c in coords]# 对候选点按照Harris 响应值进行排序index = argsort(candidateValues)# 将可行点的位置保存到数组中allowedLocations = zeros(harrisim.shape) allowedLocations[minDist : -minDist, minDist : -minDist] = 1# 按照minDistance 原则,选择最佳Harris点filteredCoords = []for i in index:if(allowedLocations[coords[i, 0], coords[i, 1]] == 1):filteredCoords.append(coords[i])allowedLocations[(coords[i, 0] - minDist) : (coords[i, 0] + minDist),(coords[i, 1] - minDist) : (coords[i, 1] + minDist)] = 0return filteredCoords# 显示角点
def plotHarrisPoints(img, filteredCoords):"""绘制图像中检测到的角点"""figure()#灰度图gray()#显示图imshow(img)# 显示点plot([p[1] for p in filteredCoords], [p[0] for p in filteredCoords], "*")# 关闭坐标axis('off')show()## 返回周围点
def getDescriptors(image, filteredCoords, wid = 5):"""对于每个返回的点,给出周围2*wid+1个像素的值"""desc = []for coords in filteredCoords:patch = image[coords[0] - wid:coords[0] + wid + 1, coords[1] - wid:coords[1] + wid + 1].flatten()desc.append(patch)return desc# 对于第一个图片中的每个角点描述子,使用归一化互相关,选取他再第二幅图像中的匹配角点
def match(desc1, desc2, threshold = 0.5):n = len(desc1[0])d = -ones((len(desc1),len(desc2)))for i in range(len(desc1)):for j in range(len(desc2)):d1 = (desc1[i] - mean(desc1[i])) / std(desc1[i])d2 = (desc2[j] - mean(desc2[j])) / std(desc2[j])nccValue = sum(d1 * d2) / (n-1)if(nccValue > threshold):d[i][j] = nccValuendx = argsort(-d)matchscores = ndx[:,0]return matchscores# 使用match函数正反各匹配一次,舍去两次匹配中不同的
def matchTwoSided(desc1, desc2, threshold = 0.5):"""两边对称的match """match12 = match(desc1, desc2, threshold)print(match12)match21 = match(desc2, desc1, threshold)print(match21)# 舍去不同的index12 = where(match12>=0)[0]for n in index12:if(match21[match12[n]] != n):match12[n] = -1print("mathc12")print(match12)return match12# 返回将两张图片并排拼接成一幅新的图像
def appendImages(im1, im2):# 选取具有最少行数的图像,然后填充足够的空行rows1 = im1.shape[0]rows2 = im2.shape[0]if (rows1 < rows2):im1 = concatenate((im1, zeros((rows2 - rows1, im1.shape[1]))), axis = 0)elif (rows1 > rows2):im2 = concatenate((im2, zeros((rows1 - rows2, im2.shape[1]))), axis = 0)# 都没有说明行数相同,无需填充return concatenate((im1,im2), axis = 1)def plotMatches(im1, im2, locs1, locs2, matchscores, showBelow = True):"""显示一幅带有连接匹配之间连线的图片输入:im1, im2 图像locs1,locs2 特征位置matchscores:match的输出showBelow:如果图像应该显示在匹配的下方"""im3 = appendImages(im1, im2)if showBelow:im3 = vstack((im3,im3))imshow(im3)cols1 = im1.shape[1]for i,m in enumerate(matchscores):if(m > 0):plot([locs1[i][1], locs2[m][1] + cols1], [locs1[i][0],locs2[m][0]],'c')axis('off')def doIt(im1, im2):wid = 5harrisim = computeHarrisResponse(im1, 5)filteredCoords1 = getHarrisPoints(harrisim, wid + 1, 0.3)d1 = getDescriptors(im1, filteredCoords1, wid)plotHarrisPoints(im1, filteredCoords1)harrisim = computeHarrisResponse(im2, 5)filteredCoords2 = getHarrisPoints(harrisim, wid + 1, 0.3)d2 = getDescriptors(im2, filteredCoords2, wid)plotHarrisPoints(im2, filteredCoords2)print("MATCHING!!!")matches = matchTwoSided(d1,d2)figure()gray()plotMatches(im1, im2, filteredCoords1, filteredCoords2, matches)show()def imresize(im, sz):"""使用PIL对象重定义图像数组大小im : 重定义大小的图像sz : 重定义的大小"""pil_im = Image.fromarray(uint8(im))return array(pil_im.resize(sz))
if __name__ == "__main__":im = array(Image.open(r'C:\Users\wangsy\Desktop\learning\ch4\tsukuba\scene1.row3.col1.ppm').convert('L'))im2 = array(Image.open(r'C:\Users\wangsy\Desktop\learning\ch4\tsukuba\scene1.row3.col5.ppm').convert('L'))doIt(im, im2)
结果
可以看到,这个匹配结果还凑活,但是说实话,不咋地。我准备以后开个专题来讲一下几个传统的立体匹配方法,因为最近也有可能要做相关的东西,正好复习一下。所以这一次,这方面的就先带过去了。
我们可以看出来,匹配的核心是相似性的度量,也就是描述子,在下一节我们会学习最好的一种描述子之一。
图形学笔记(四)——Harris 角点检测器延申相关推荐
- 图形学笔记(三)—— Harris角点检测器
图形学笔记(三)-- Harris角点检测器 前言 CSDN不支持我的公式,大家可以到我的博客:wang-sy.github.io去看 从现在开始学习的是书中的第二章:局部图像描述子.这里主要是寻找图 ...
- 【局部图像描述子】Harris角点检测器
声明:笔记来源于[python计算机视觉]一书. 什么是角点? 角点是一阶导数(即灰度的梯度)的局部最大所对应的像素点: 角点是两条及两条以上边缘的交点; 角点指示了物体边缘变化不连续的方向; 角点处 ...
- 局部图像描述子——Harris角点检测器
文章目录 Harris角点检测器 1 Harris角点检测算法 2 Harris角点检测代码 3 在图像间寻找对应点 4 总结 Harris角点检测器 1 Harris角点检测算法 Harris角点检 ...
- 【机器视觉学习笔记】Harris 角点检测算法(C++)
目录 原理 算法步骤 优缺点 源码 效果 原图 输出 平台:Windows 10 20H2 Visual Studio 2015 OpenCV 4.5.3 本文摘自2.Harris角点检测算法 -- ...
- OpenCV入门学习笔记之Harris角点检测与SIFT特征匹配算法
1. 写在前面 这篇文章整理两个图像处理中非常重要的算法,一个是Harris角点检测算法,另一个是SIFT特征匹配算法,这两个算法本质上还是去找图像里面的关键特征点,帮助我们后续更好的理解图像以及做各 ...
- 图形学笔记(四) 数学变换
数学变换 点和坐标 什么是点? 注意区分图形学中的点与图论中的点:图论中的点重视点与点的拓扑结构,而不关心点的坐标,而图形学中的点没有严格限制拓扑结构,且及其关注点的坐标. 在几何学中,点是最简单的形 ...
- 数据科学和人工智能技术笔记 四、图像预处理
四.图像预处理 作者:Chris Albon 译者:飞龙 协议:CC BY-NC-SA 4.0 图像二值化 # 加载库 import cv2 import numpy as np from matpl ...
- Harris角点检测及数据分析
Harris角点检测及其数据分析 文章目录 Harris角点检测及其数据分析 一.针对角点的概述 二.HARRIS角点检测思想 三.HARRIS角点检测数学表达 四.HARRIS角点计算流程 五.HA ...
- 计算机视觉(二)HARRIS角点检测算法与SIFT
文章目录 前言 一.HARRIS角点检测算法 1.什么是角点(corner points) 2.角点检测算法的基本思想 3.什么是好的角点检测算法 4.角点特征的数学刻画 5.度量角点响应 6.HAR ...
- 测角误差估计算法matlab,Harris角点检测 及 Matlab实验
目录 1 基础知识 1.1 图像变化的类型 1.2 提取点特征的作用 1.3 什么是好的角点检测算法? 2 Harris 角点检测 2.1 Harris角点检测基本思想 2.2 Harris角点检测: ...
最新文章
- 了解下RDF 容器元素
- 东北农业大学农学院程晓非教授荣获植物病毒学国家“优青”资助
- 他开发了 redux,昨晚“字节一面”却挂了?
- VIP群第一期讲座实屏片段摘录
- Golang中time包
- Sublime和Webstorm新建代码块
- python 显示RGB颜色
- oracle恢复drop建的表首次,案例:Oracle dul数据挖掘 没有备份情况下非常规恢复drop删除的数据表...
- The credentials you provided during SQL Server 2008 install are invalid
- python cpu_python 让cpu满载
- Linux中g++与gcc的区别
- python中一切数据都是对象吗_Python 对象中的数据类型
- 关于写程序时「对数据库操作」的一些总结。
- 新版Windows Live SkyDrive Beta发布
- 软件测试(三)——lab 1
- 分类问题中的几个衡量指标
- linux 内存强度测试软件,Linux系统性能测试工具(一)——内存带宽测试工具mbw...
- Ubuntu 找不到wifi适配器
- APS计划软件助纺织企业降低成本,提升效益
- github监控平台hawkeye搭建