Susan角点检测（边缘检测、角点检测、重心计算、非极大值抑制）

写在前面

黄宁然——看过你看过的算法，觉得好难。

参考文献镇楼

[1]https://blog.csdn.net/tostq/article/details/49305615
[2]https://blog.csdn.net/qq_45613931/article/details/117819107
[3]陈丽莉《基于SUSAN算法的角点检测》
[4]王栋、朱明《SUSAN角点探测算法分析改进》

问题来源

an***** xue100: https://bbs.csdn.net/topics/*********?spm=1001.2014.3001.**77
1）如何计算USAN区域的重心？
2）非极大值抑制，指的是若模板中心对应的灰度小于模板内的任意像素灰度，就舍弃该像素点吗？
3）几何门限g如何选取？
因“当前发帖距今超过3年，不再开放新的回复”，故新建帖子。迟到的回复。

1、原理简介

SUSAN（Smallest UnivalueSegment Assimilating Nucleus）使用一个圆形模板，通过检测模板中的像素与中心位置像素的偏离程度，来判断中心位置像素是否为边缘或角点。
模板大小：半径为3.5像素，模板内共计有37个像素。

中心思想：如果周边像素与中心位置像素偏差较小，则认为周边像素与中心位置像素相似，中心位置为非边缘；如果周边像素与中心位置偏差较大，则认为中心位置为边缘或角点。

2、基本实现步骤

（1）相似判断

（式1）
I(r0)为中心位置像素，I( r)为周边位置像素，t像素偏差阈值，c为布尔结果，表示相似或不相似。
关于阈值t：可见，t越大，周边像素越容易与中心位置像素“相似”，越不容易被判定为边缘或角点，即将获得较少的角点。相关文献说，t值影响的是角点检测的数量[1]。

（2）平滑曲线进行相似判断

实际中，使用平滑曲线来求c
（式2）

（3）累计相似度

对于圆形模板区域，共计37个像素，周边36个像素与中心位置像素进行对比，可以得到该中心位置的36个c。对这36个c进行累加，得到该中心位置的累计相似度：
（式3）
显然，n越大，越不可能是边缘、角点。

（4）初始边缘响应/角点

这里，再引入一个阈值g，通过判断n与g的大小，来得到该中心位置属于边缘或角点的可能性。
（式4）
可见，若n大于g，则R为0，表示该中心位置为非边缘（非角点）；如果n小于g，R取值为（g-n），含有取负操作。故R值越大，该中心位置为边缘或角点的可能性就越大。

关于阈值g：g的取值越小，对角点检测越挑剔。文献[1]阐述，g影响角点检测的质量。g的取值，文献[1]阐述可以取max(n)的0.75倍；有的程序代码中，直接取值37/2。具体取值，应该需要针对具体场景进行调试。

3、python代码实现

3.1 圆形掩模

def get_susan_mask():mask=np.ones((7,7))mask[0,0]=0;mask[0,1]=0;mask[0,5]=0;mask[0,6]=0;mask[1,0]=0;mask[1,6]=0;mask[5,0]=0;mask[5,6]=0;mask[6,0]=0;mask[6,1]=0;mask[6,5]=0;mask[6,6]=0;return mask

该程序返回的mask如下：

为1的位置，即是圆形模板区域。

3.2 susan角点检测

def susan_corner_detect(img_src,t=10):susan_mask = get_susan_mask()img = img_src.copy()row_s,col_s = 3,3row_e,col_e = img_src.shape[0]-3,img.shape[1]-3n_max = 0n_arr=37*np.ones(img.shape) # 初始认为没有角点for r in range(row_s,row_e):#遍历所有行for c in range(col_s,col_e):#遍历所有列susan_zone = img[r-3:r+3+1,c-3:c+3+1]#获取矩形区域susan_zone = susan_zone[susan_mask!=0]#使用mask截取圆形区域r0 = img[r,c]similarity = np.exp(-((1.0*susan_zone-r0)/t)**6 )n=np.sum(similarity)if n>n_max:n_max = nn_arr[r,c] = ng = n_max /2R = np.zeros(img.shape)index = n_arr<g       #小于g，认为是可能的角点，越小，可能性越大R[index] = g-n_arr[index] # 取反，所以R越大，是角点的可能性越大plt.figure()plt.title("edge")plt.imshow((6.37 * n_arr).astype(np.uint8), cmap=cm.gray)return R

3.3 检测结果

取t=10，g= n_max /2。
主程序中，调用算法：

if __name__ == '__main__':img_src = cv2.imread('susan_input1.png',-1)if len(img_src.shape)==3:img_src = cv2.cvtColor(img_src,cv2.COLOR_BGR2GRAY)corner = susan_corner_detect(img_src)img_show = cv2.cvtColor(img_src, cv2.COLOR_GRAY2BGR)img_show[corner != 0] = (255, 0, 0)plt.figure()plt.title("original corners")plt.imshow(img_show, cmap=cm.gray)plt.show()

4、重心法去除伪角点

从上图的角点检测结果来看，原始角点中存在较多冗余角点，或伪角点。
采用重心法去除。
根据文献1，求取重心
（式5）
上式中，r为位置，实际为（x，y）两轴构成。计算时，先计算x方向重心，再计算y方向重心。对公式的简言之：圆形模板中心位置周边有36个像素，相应的有36个c，在求x方向重心Gx时，将36个位置的x坐标与相应的c相乘后累加，再除以sum( c)，即可得到Gx；同理得Gy。另外，对于r0，可假设其位置为(0,0)。
在求得重心后，计算重心与中心位置的距离，根据文献[3]描述，如距离较小，则认为中心位置不是角点。根据文献[4]，该距离阈值设置为1.8。本文采用1.5。另，重心法去除伪角点与初始角点的检测，在代码实现时，有些许内容的重复，所以在初始角点检测时，即可同步应用重心法。

4.1重心法代码

def gravity_filter(img_src,corner_src,t=10,F=1.5):x_label = np.zeros((7,7))y_label = np.zeros((7,7))x_label[:,0]=-3;x_label[:,1]=-2;x_label[:,2]=-1;x_label[:, -1] = 3;    x_label[:, -2] = 2;    x_label[:, -3] = 1;y_label[0,:]=-3;y_label[1,:]=-2;y_label[2,:]=-1;y_label[4, :] = 1;y_label[5, :] = 2;   y_label[6, :] = 3;print(x_label,"\r\n",y_label) #查看矩形区域内x、y轴信息img = img_src.copy()row_s, col_s = 3, 3row_e, col_e = img_src.shape[0] - 3, img.shape[1] - 3corner = corner_src.copy()susan_mask = get_susan_mask()for r in range(row_s,row_e):for c in range(col_s,col_e):if corner[r,c] ==0: #对于不是角点的位置，就没必要进行后续计算了continuesusan_zone = img[r-3:r+3+1,c-3:c+3+1]#获取矩形区域r0 = img[r,c]similarity = np.exp(-((1.0*susan_zone-r0)/t)**6 )g_x = np.sum(similarity[susan_mask==1]*x_label[susan_mask==1] )/np.sum(similarity[susan_mask==1])#使用mask截取圆形区域g_y = np.sum(similarity[susan_mask == 1] * y_label[susan_mask == 1]) / np.sum(similarity[susan_mask == 1])#使用mask截取圆形区域distance = np.sqrt(g_x**2+g_y**2)if distance<F:corner[r,c] = 0return corner

4.2 主程序调用

if __name__ == '__main__':img_src = cv2.imread('susan_input1.png',-1)if len(img_src.shape)==3:img_src = cv2.cvtColor(img_src,cv2.COLOR_BGR2GRAY)corner = susan_corner_detect(img_src)img_show = cv2.cvtColor(img_src, cv2.COLOR_GRAY2BGR)img_show[corner != 0] = (255, 0, 0)plt.figure()plt.title("original corners")plt.imshow(img_show, cmap=cm.gray)cor_g = gravity_filter(img_src, corner)img_show2 = cv2.cvtColor(img_src, cv2.COLOR_GRAY2BGR)img_show2[cor_g != 0] = (255, 0, 0)plt.figure()plt.title("corners-gravity ")plt.imshow(img_show2, cmap=cm.gray)plt.show()

4.3 检测结果

与原始角点的局部对比

5、非极大值抑制

非极大值抑制，也可对角点进行剔除。
思想：对于已获取的角点矩阵，使用一3x3的矩形区域进行逐个判断。在3x3的区域中，若中心位置不是最大，则认为该中心位置不是局部极值，即认为该中心位置不是角点，将其抑制。
问题：若3x3区域内，有两个位置的值相等且均为最大，则如何处理？目前，本文2个均保留。
220719更新：该nms代码存在些许不足之处，详见后续的博文，https://blog.csdn.net/xiaohuolong1827/article/details/125859795

5.1 非极大值抑制代码

def corner_nms(corner,kernal=3):out = corner.copy()row_s = int(kernal/2)row_e = out.shape[0] - int(kernal/2)col_s,col_e = int(kernal/2),out.shape[1] - int(kernal/2)for r in range(row_s,row_e):for c in range(col_s,col_e):if corner[r,c]==0: #不是可能的角点continuezone = corner[r-int(kernal/2):r+int(kernal/2)+1,c-int(kernal/2):c+int(kernal/2)+1]index = corner[r,c]<zone(x,y) = np.where(index==True)if len(x)>0 : #说明corner[r,c]不是最大，直接归零将其抑制out[r,c] = 0else:out[r,c] = 255return out

5.2 主程序调用

if __name__ == '__main__':img_src = cv2.imread('susan_input1.png',-1)if len(img_src.shape)==3:img_src = cv2.cvtColor(img_src,cv2.COLOR_BGR2GRAY)corner = susan_corner_detect(img_src)img_show = cv2.cvtColor(img_src, cv2.COLOR_GRAY2BGR)img_show[corner != 0] = (255, 0, 0)plt.figure()plt.title("original corners")plt.imshow(img_show, cmap=cm.gray)cor_g = gravity_filter(img_src, corner)img_show2 = cv2.cvtColor(img_src, cv2.COLOR_GRAY2BGR)img_show2[cor_g != 0] = (255, 0, 0)plt.figure()plt.title("corners-gravity ")plt.imshow(img_show2, cmap=cm.gray)cor_g_nms = corner_nms(cor_g)img_show3 = cv2.cvtColor(img_src, cv2.COLOR_GRAY2BGR)img_show3[cor_g_nms != 0] = (255, 0, 0)plt.figure()plt.title("corners-gravity-nms ")plt.imshow(img_show3, cmap=cm.gray)plt.show()

5.3 检测结果

与重心法处理后的局部对比

6. 源码下载：

https://download.csdn.net/download/xiaohuolong1827/85030525

7. 其他

2022.03.22，黄宁然：“SUSAN，你竟然在看这个，我以前用过，你信不信”。呃，我当然信。

Susan角点检测python实现（边缘检测、角点检测、重心计算、非极大值抑制）相关推荐

目标定位和检测系列：交并比（IOU）和非极大值抑制（NMS）的python与C/C++实现
Python实现交并比(Intersection over Union)和非极大值抑制是(Non-Maximum Suppression)是目标检测任务中非常重要的两个概念.例如在用训练好的模型进行 ...
Shi-tomasi角点检测python实现及基于opencv实现（角点检测、非极大值抑制）
写在前面: 已经是七月中旬,黄宁然,你依然在这里. 参考文献镇楼: [1]龚思宇宙,基于平面模板的摄像机标定及相关技术研究 [2]汪洋,扫地机器人定位算法设计与嵌入式系统实现 [3]Denny#,[o ...
FAST角点检测算法（二）- 非极大值抑制筛选fast特征点
FAST角点检测算法(二)- 非极大值抑制筛选fast特征点 author@jason_ql(lql0716) http://blog.csdn.net/lql0716 fast角点检测算法参考文章& ...
目标窗口检测算法-NMS非极大值抑制
1. NMS(non maximum suppression)的定义和算法步骤 NMS(non maximum suppression),中文名非极大值抑制,在很多计算机视觉任务中都有广泛应用,如:边 ...
array python 交集_NMS原理(非极大值抑制)+python实现
1.先解释什么叫IoU(intersection-over-union).IoU表示(A∩B)/(A∪B) 即交并比. 非极大值抑制:图一 --> 图二 ,剔除同一个目标上的重叠建议框,最终一个 ...
非极大值抑制(nms)算法详解[python]
一.起源目标检测在使用了基于深度学习的端到端模型后效果斐然.目前,常用的目标检测算法,无论是One-stage的SSD系列算法.YOLO系列算法还是Two-stage的基于RCNN系列的算法,非极大 ...
NMS（非极大值抑制）的python，cpu，gpu实现
必要性 NMS(非极大值抑制)是目标检测中用来确定最佳检测框的手段,根据目标检测流程,若果没有NMS步骤,其每个检测框都会有大量重叠度很高的预测框表示同一个目标.如下图: 左图为经过NMS的预测结果, ...
在Python中用cupy实现IoU（交并比）和NMS（非极大值抑制）的GPU加速
1. 前言 IoU(交并比)和NMS(非极大值抑制)的计算在目标检测任务中可以说是必不可少的,但是当需要计算的bounding box的数量级很大的时候,cpu就吃不消了.例如在对Faster RCN ...
计算机视觉入门-梯度、算子、Canny边缘检测、非极大值抑制、双门限法
第二章边缘检测边缘:信号突变的地方.能够紧凑描述图片的内容信息边缘检测的几种类型: 表面不连续深度不连续表面颜色不连续投影不连续可以根据求导来判断是否为断点(边缘) x方向(为简便操作 ...

Susan角点检测python实现（边缘检测、角点检测、重心计算、非极大值抑制）

Susan角点检测（边缘检测、角点检测、重心计算、非极大值抑制）

写在前面

参考文献镇楼

问题来源

1、原理简介

2、基本实现步骤

（1）相似判断

（2）平滑曲线进行相似判断

（3）累计相似度

（4）初始边缘响应/角点

3、python代码实现

3.1 圆形掩模

3.2 susan角点检测

3.3 检测结果

4、重心法去除伪角点

4.1重心法代码

4.2 主程序调用

4.3 检测结果

5、非极大值抑制

5.1 非极大值抑制代码

5.2 主程序调用

5.3 检测结果

6. 源码下载：

7. 其他

Susan角点检测python实现（边缘检测、角点检测、重心计算、非极大值抑制）相关推荐

最新文章

热门文章

Susan角点检测python实现 （边缘检测、角点检测、重心计算、非极大值抑制）

Susan角点检测（边缘检测、角点检测、重心计算、非极大值抑制）

写在前面

参考文献镇楼

问题来源

1、原理简介

2、基本实现步骤

（1）相似判断

（2）平滑曲线进行相似判断

（3）累计相似度

（4）初始边缘响应/角点

3、python代码实现

3.1 圆形掩模

3.2 susan角点检测

3.3 检测结果

4、重心法去除伪角点

4.1重心法代码

4.2 主程序调用

4.3 检测结果

5、非极大值抑制

5.1 非极大值抑制代码

5.2 主程序调用

5.3 检测结果

6. 源码下载：

7. 其他

Susan角点检测python实现 （边缘检测、角点检测、重心计算、非极大值抑制）相关推荐

最新文章

热门文章

Susan角点检测python实现（边缘检测、角点检测、重心计算、非极大值抑制）

Susan角点检测python实现（边缘检测、角点检测、重心计算、非极大值抑制）相关推荐