一键找出图像中物体的角点

如何使用OpenCV Python在棋盘图中找到模式? 我们可以使用在图像中找到棋盘格角落,使用绘制带有模式的棋盘格角落。请查看下面这两种方法的语法。 阅读详情


✨✨ 欢迎大家来访Srlua的博文(づ ̄3 ̄)づ╭❤~✨✨

🌟🌟 欢迎各位亲爱的读者,感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢,在这里我会分享我的知识和经验。🎥

希望在这里,我们能一起探索IT世界的奥妙,提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏:传知代码论文复现

欢迎访问我的主页:Srlua小谢 获取更多信息和资源。✨✨🌙🌙

​​

​​

目录

概述

算法原理

演示效果

核心逻辑

使用方式

基础镜像

配置环境

直接运行

更换图片运行

参考文献


 本文所有资源均可在该地址处获取。

概述

本文复现论文A COMBINED CORNER AND EDGE DETECTOR中提出的图像中的物体角点检测算法,也称Harris算法。原文连接https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=88cdfbeb78058e0eb2613e79d1818c567f0920e2

该论文所提出的角点检测算法是计算机视觉领域的经典算法,至今仍在计算机视觉领域有着广泛的应用。

该方法对算力几乎没有任何要求,依据图像邻域内灰度值的分布特点来对图像中各区域的角点进行判断。不像深度学习需要依靠大量数据的训练且对数据集分布有依赖性,所以时至今日依然在工业界有着很高的应用价值。

算法原理

正如边缘在灰度图像中在某一个方向上会出现明显的灰度变化,角点在图像中往往是在两个方向上都出现明显的灰度变化。


如在此图中,红点标注处的角点在两个箭头方向的垂直方向上都有明显的灰度变化,两个红色箭头标注出了它的两个灰度变换边缘。

假设我们现在要检测的图片为II,在图像处理中,能够充分体现图像灰度变化特征的是它的方向导数,IxIx​与IyIy​,分别代表图像II的水平方向导数与竖直方向导数。

Ix(i,j)=I(i,j+1)−I(i,j−1)2Ix​(i,j)=2I(i,j+1)−I(i,j−1)​

Iy(i,j)=I(i−1,j)−I(i+1,j)2Iy​(i,j)=2I(i−1,j)−I(i+1,j)​

Harris算法就是利用图像的方向导数制定了一个响应指标:

R=det(M)−k⋅trace(M)2R=det(M)−k⋅trace(M)2

个人感觉原文的公式不太好理解,以下我将按照我的理解对公式进行适当的改变。
对于R,实际上是一个R图,其尺寸与我们要检测的图像II一致,于是上面的相应指标实际上是每个像素都有一个相应指标,即:

R(i,j)=det(M(i,j))−k⋅trace(M(i,j))2R(i,j)=det(M(i,j))−k⋅trace(M(i,j))2

其中

M(i,j)=[A(i,j)B(i,j)B(i,j)C(i,j)]M(i,j)=[A(i,j)B(i,j)​B(i,j)C(i,j)​]

在用3X3邻域内的数据进行操作时,A(i,j)、B(i,j)、C(i,j)在原文中对应的定义应该是这样的:

A(i,j)=∑m=−11∑n=−11ω(m,n)Ix2(i+m,j+n)B(i,j)=∑m=−11∑n=−11ω(m,n)Ix(i+m,j+n)×Iy(i+m,j+n)C(i,j)=∑m=−11∑n=−11ω(m,n)Iy2(i+m,j+n)A(i,j)=m=−1∑1​n=−1∑1​ω(m,n)Ix2​(i+m,j+n)B(i,j)=m=−1∑1​n=−1∑1​ω(m,n)Ix​(i+m,j+n)×Iy​(i+m,j+n)C(i,j)=m=−1∑1​n=−1∑1​ω(m,n)Iy2​(i+m,j+n)

即对Ix2Ix2​、Iy2Iy2​和IxIyIx​Iy​三个方向导数图在3X3邻域内进行卷积得到A、B和C。
其中 ωω是高斯平滑核,主要是为了减少噪声对方向导数的影响。大多数情况下,ωω取一个全一矩阵就好。本方法也是采用了全一矩阵,所以以上定义可以修改为:

A(i,j)=∑m=−11∑n=−11Ix2(i+m,j+n)B(i,j)=∑m=−11∑n=−11Ix(i+m,j+n)×Iy(i+m,j+n)C(i,j)=∑m=−11∑n=−11Iy2(i+m,j+n)A(i,j)=m=−1∑1​n=−1∑1​Ix2​(i+m,j+n)B(i,j)=m=−1∑1​n=−1∑1​Ix​(i+m,j+n)×Iy​(i+m,j+n)C(i,j)=m=−1∑1​n=−1∑1​Iy2​(i+m,j+n)

所以RR指标的最终定义可以改为:

R(i,j)=Det⁡(M(i,j))−k(Tr⁡(M(i,j)))2=(A(i,j)C(i,j)−B(i,j)2)−k×(A(i,j)+C(i,j))2R(i,j)=Det(M(i,j))−k(Tr(M(i,j)))2=(A(i,j)C(i,j)−B(i,j)2)−k×(A(i,j)+C(i,j))2

其中k是一个经验参数,本算法中取0.02,当然也可以根据具体情况进行调整,通常来说k越大,算法对角点的判别就越严格,会有更少的点被判别为角点;k越小,算法的判别就越松一些,会有更多的点被判别为角点。

得到R图后,将R图中最大值RmaxRm​ax的0.2倍作为阈值。将R图中小于0.2Rmax0.2Rm​ax的像素坐标判别为是角点坐标,其余的则为非角点坐标,最终得到我们的结果图。

演示效果

Description

核心逻辑

def HarrisCornerDetector(image,k=0.02):
# 读取图像
    # 将图像转换为numpy数组
    I= image

    I=np.array(I)

    sobel_x = np.array([[0, 0, 0], [-0.5, 0, 0.5], [0, 0, 0]])
    sobel_y=np.array([[0,0.5,0],[0,0,0],[0,-0.5,0]])

    # 对图像进行水平方向的卷积
    I_x = convolve2d(I, sobel_x, mode="same", boundary="symm")
    I_y=convolve2d(I,sobel_y,mode='same',boundary='symm')


    I2_x=I_x**2
    I2_y=I_y**2
    Ix_Iy=I_x*I_y

    sobel=np.array([[1,1,1],[1,1,1],[1,1,1]])

    A=convolve2d(I2_x,sobel,mode="same",boundary="symm")
    B=convolve2d(Ix_Iy,sobel,mode="same",boundary="symm")
    C=convolve2d(I2_y,sobel,mode="same",boundary="symm")

    R=(A*C-B**2)-k*(A+C)**2

    R_max=np.max(R[1:-1,1:-1])

    C=R

    C[C<=(0.2*R_max)]=0
    C[C>(0.2*R_max)]=1

    return C

使用方式

基础镜像

python:3.9.7

配置环境

解压后进入HarrisCornerDetector项目路径下
运行以下命令:

pip install -r requirements.txt

直接运行

python main.py

即可看到视频中示例图片的角点检测效果。

更换图片运行

修改main.py文件里的默认图片路径


将"data/rice.png"更改为你自己的图片路径即可。

同时,我也找了第二张示例图片放在了data路径下,将"data/rice.png"更换为"data/1.webp",就可以看到演示图片中棋盘的角点检测效果。

参考文献

[1] Harris C, Stephens M. A combined corner and edge detector[C]//Alvey vision conference. 1988, 15(50): 10-5244.

​​

一键找出图像中物体的角点(论文复现) 阅读详情

相关推荐

低成本实现webhook接收端[python]

Webook本质上也是API,只不过是反向调用,即前端不主动发送请求,完全由后端推送。简单来说,Webhook是一个接受HTTP POST或是GET,PUT,DELETE的URL,一个实现了Webhook的API提供商就是在当事件发生的时候会向配置的URL发送信息,与请求-响应式不同,使用Webhook可以实时接收到变化。Ps:Webhook可能会发出大量的请求,确保接受的URL不被泄露或者应用能及时处理这些请求。

锡城小凯的博客 1万+

python-OpenCV寻找角点findChessBoardCorners

DIY一个python画棋盘格的代码(改colors的顺序,可以改变黑白颜色出现的次序) def draw_chessboard(row, col, size): img = np.zeros([(row+1)*size, (col+1)*size]) colors = [0, 255] for i in range(row+1): for j in range(col+1): img[i*size:(i+1)*size, j*size:.

qq_35565669的博客 9671

地瓜派RDK X5部署YOLOv11n避坑指南:从Softmax瓶颈到BPU加速的实战解析

本文详细解析了在地瓜派RDK X5开发板上部署YOLOv11n模型时,从性能暴跌到成功优化的全过程。核心在于通过配置`node_info`将模型中的Softmax算子强制在BPU上以int16精度运行,解决了因算子被分配到CPU导致的严重性能瓶颈。实战部署后,模型推理延迟从126ms降至10.8ms,FPS从7.9提升至92.3,实现了显著的性能优化。

beta5的博客 867

【图像拼接】基于matlab像素点特征Harris角点检测拼接【含Matlab源码 9793期】

像素点特征Harris角点检测拼接 完整代码,包运行;可提供运行操作视频!适合小白!

Matlab912100926的博客 716

deepseek本地部署及应用部署指南

如果你找到的日志是[send] via NET/IB/0,则表示网络通信是通过IB网络的,但是没有开启GDRDMA技术,则会有大致5%的性能损耗(网传,未实测)。新增的环境变量配置,主要用于启用IB网络通信,而非使用以太网进行通信,详细的每一个参数的具体含义,可以在英伟达NCCL的官方网站上找到说明。下一步,我会对已经完成部署的模型进行压测,来探索系统的性能极限在哪里,以及如何在生产环境中何如进行进一步的性能优化,期待你的关注。

weixin_39797121的博客 2627

前导0预测(Leading-Zero Anticipator,LZA)

前导0预测(Leading-Zero Anticipator,LZA) 浮点加法在完成之后会进行尾数规格化移位,而在进行尾数加法时,可以使用前导0预测(Leading-Zero Anticipator,LZA)同时计算移位,前导0预测只发生在一个正数加上一个负数的情况下,电路图如图1所示。 图1 传统LZD算法和LZA算法 1. 基础算法 算法的目标是计算出加法结果序列左边连续0的数量,下文中对...

crw1111111的博客 7386

【图像拼接】harris特征匹配+RANSAC滤除离群点图像融合拼接【含Matlab源码 5111期】

harris特征匹配+RANSAC滤除离群点图像融合拼接 完整的代码,方可运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版)或下载付费资源,可赠送奶茶价版付费专栏指定代码1份; 1464

STM32 SAI接口实战:用CubeMX快速配置多通道音频采集(附DMA优化技巧)

本文详细介绍了如何使用STM32的SAI接口通过CubeMX快速配置多通道音频采集系统,并提供了DMA双缓冲优化技巧。内容涵盖TDM模式配置、时钟同步、DMA优化及常见问题排查,帮助开发者高效实现高速数据采集应用。

weixin_42549037的博客 228

【图像拼接】像素点特征Harris角点检测拼接【含Matlab源码 9793期】

像素点特征Harris角点检测拼接 完整代码,包运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 969

2015年高教社杯全国大学生数学建模竞赛 A 题:《太阳影子定位》真题解析与 MATLAB 解决方案

🏆 本文已收录于专栏:《滚雪球学数学建模(含历年真题)》,持续更新最新及历年数学建模竞赛资料,每篇内容力求做到“问题讲透、模型讲清、代码可用、论文可参考”,帮助你从零开始逐步建立完整的数学建模知识体系。

**My Coding Family** 1357

数据分析案例-2024 年全电动汽车数据集可视化分析

本数据集来源于Kaggle,原始数据集共有177866条数据,17个变量。该数据集显示了目前通过华盛顿州许可部 (DOL) 注册的电池电动汽车 (BEV) 和插电式混合动力电动汽车 (PHEV)。电池电动汽车 (BEV) 是一种全电动汽车,使用一个或多个电池来存储电能,为电机提供动力,并通过将车辆插入电源进行充电。插电式混合动力汽车 (PHEV) 是一种使用一个或多个电池为电动机提供动力的车辆;使用另一种燃料,例如汽油或柴油,为内燃机或其他推进源提供动力;并通过将车辆插入电源来充电。

m0_64336780的博客 1万+

【图像拼接】基于matlab harris特征匹配+RANSAC滤除离群点图像融合拼接【含Matlab源码 5111期】

harris特征匹配+RANSAC滤除离群点图像融合拼接 完整的代码,方可运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 1552

【Python进阶】VSCode Python开发完全指南:从环境配置到高效调试

本文通过15个实战案例,系统讲解VSCode进行Python开发的环境配置、编码技巧、调试方法及性能优化,帮助初学者快速构建专业开发环境。

赶紧的博客 3800

【图像拼接】 harris特征匹配+RANSAC滤除离群点图像融合拼接【含Matlab源码 5111期】

harris特征匹配+RANSAC滤除离群点图像融合拼接 完整的代码,方可运行;可提供运行操作视频!适合小白!

Matlab912100926的博客 1427

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

如何用文本精准分割图像?sam3大模型镜像一键实现物体抠图

本文介绍了基于星图GPU平台自动化部署sam3提示词引导万物分割模型镜像的完整流程。该平台支持一键启动高性能推理环境,结合自然语言指令实现图像中指定物体的精准分割。典型应用于AI内容创作、智能抠图与模型微调等场景,显著提升图像处理效率与交互体验。

weixin_42298254的博客 599

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

3分钟搞定AI图像修复!Inpaint Anything一键移除物体、智能去水印全攻略

还在为照片中的水印、杂物或多余人物烦恼吗?🤔 Inpaint Anything作为一款革命性的AI图像修复工具,结合了Meta的Segment Anything模型和先进的图像补全技术,让图像编辑变得前所未有的简单高效!这款强大的AI工具能够智能识别并精准处理图片中的任何目标对象,无论是移除不想要的元素、替换特定物体,还是填充空白区域,都能在3分钟内轻松搞定。 ## 🎯 Inpaint An

gitblog_00307的博客 878

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

SAM 3一键部署:小白也能轻松搞定物体分割

本文介绍了基于星图GPU平台自动化部署SAM 3图像和视频识别分割镜像的便捷方法,用户无需编程即可快速实现物体分割。该平台支持文本或视觉提示下的图像与视频实例分割,适用于模型微调、AI应用开发等场景,显著降低技术门槛,提升开发效率。

weixin_28999139的博客 331

终极免费AI图像修复工具IOPaint:一键清除水印、移除多余物体、智能修复图片

IOPaint是一款革命性的开源AI图像修复工具,通过先进的人工智能模型,让每个人都能轻松完成专业级的图片编辑。无论是清除烦人的水印、去除照片中的多余物体,还是修复老旧图片,IOPaint都能在几分钟内完成,而且完全免费、完全本地运行,保护您的数据隐私。 ## 三大核心功能解决日常图片难题 ### 1. 水印清除:告别版权烦恼 许多图片素材都带有版权水印,传统方法难以完全清除。IOPaint的

gitblog_00862的博客 623

大模型SAM一键清除物体segement and remove-SAM一键清除物体(代码安装实战项目)

大模型SAM一键清除物体segement and remove-SAM一键清除物体(代码安装实战项目)

qq1309399183的博客 682

亲测SAM 3图像分割:5分钟快速上手,一键识别图片视频物体

本文介绍了如何在星图GPU平台上自动化部署SAM 3图像和视频识别分割镜像,实现高效物体识别与分割功能。该技术可一键识别图片或视频中的指定物体(如'car'或'dog'),并精确标记轮廓,特别适用于电商产品图处理、视频内容创作等场景,5分钟即可快速上手。

weixin_36289813的博客 246

SAM一键清除物体segement and remove-SAM一键清除物体(代码安装实战项目)

SAM一键清除物体segement and remove-SAM一键清除物体(代码安装实战项目)

QQ_1309399183的博客 559
上一篇: 个人智能聊天助手-即刻轻松拥有
下一篇: 【MAE】掩码自回归编码器
Srlua小谢
Srlua小谢 优质创作者: 编程框架技术领域 优质创作者: 编程框架技术领域
博客等级 码龄4年 8963粉丝 332原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值