-
27-09-2019 - |
题
我实施哈里斯角检测器,用于教育目的,但我被困在harris响应的一部分。基本上,我在做什么,是:
- 计算的图像强度梯度在x和y的方向
- 模糊输出(1)
- 计算Harris响应的输出(2)
- 抑制非maximas在输出(3)在一个3x3-邻里和阈输出
1和2的工作似乎罚款;然而,我得到非常小的数值作为哈里斯的响应,并没有一点没有达到门槛。输入标准外摄影。
[...]
[Ix, Iy] = intensityGradients(img);
g = fspecial('gaussian');
Ix = imfilter(Ix, g);
Iy = imfilter(Iy, g);
H = harrisResponse(Ix, Iy);
[...]
function K = harrisResponse(Ix, Iy)
max = 0;
[sy, sx] = size(Ix);
K = zeros(sy, sx);
for i = 1:sx,
for j = 1:sy,
H = [Ix(j,i) * Ix(j,i), Ix(j,i) * Iy(j,i)
Ix(j,i) * Iy(j,i), Iy(j,i) * Iy(j,i)];
K(j,i) = det(H) / trace(H);
if K(j,i) > max,
max = K(j,i);
end
end
end
max
end
对于该样品照片,马克斯结束正6.4163e-018这似乎太低。
解决方案
一个角落,在哈里斯角检测的定义是"最高价值素在一个地区"(通常 3X3
或 5x5
)使你的评论没有一点达成一个"门槛"似乎很奇怪我。只是收集所有像素具有更高的价值比其他所有像素 5x5
街区周围他们。
除了:我不是100%肯定但是我觉得你应该有:
K(j,i) = det(H) - lambda*(trace(H)^2)
在lambda是一个正常运作在你的情况(与哈里斯的建议值0.04).
在一般的唯一明智的一刻来过滤你输入之前,这一点:
[Ix, Iy] = intensityGradients(img);
过滤的 Ix2
, Iy2
和 Ixy
并没有多大感觉到我。
另外,我觉得你的样的代码是错误的在这里(不功能 harrisResponse
有两个或三个输入变量?):
H = harrisResponse(Ix2, Ixy, Iy2);
[...]
function K = harrisResponse(Ix, Iy)
其他提示
该解决方案,我实现与蟒蛇,它为我工作我希望你找到你正在寻找什么
import numpy as np
import matplotlib.pyplot as plt
from PIL.Image import *
from scipy import ndimage
def imap1(im):
print('testing the picture . . .')
a = Image.getpixel(im, (0, 0))
if type(a) == int:
return im
else:
c, l = im.size
imarr = np.asarray(im)
neim = np.zeros((l, c))
for i in range(l):
for j in range(c):
t = imarr[i, j]
ts = sum(t)/len(t)
neim[i, j] = ts
return neim
def Harris(im):
neim = imap1(im)
imarr = np.asarray(neim, dtype=np.float64)
ix = ndimage.sobel(imarr, 0)
iy = ndimage.sobel(imarr, 1)
ix2 = ix * ix
iy2 = iy * iy
ixy = ix * iy
ix2 = ndimage.gaussian_filter(ix2, sigma=2)
iy2 = ndimage.gaussian_filter(iy2, sigma=2)
ixy = ndimage.gaussian_filter(ixy, sigma=2)
c, l = imarr.shape
result = np.zeros((c, l))
r = np.zeros((c, l))
rmax = 0
for i in range(c):
print('loking for corner . . .')
for j in range(l):
print('test ',j)
m = np.array([[ix2[i, j], ixy[i, j]], [ixy[i, j], iy2[i, j]]], dtype=np.float64)
r[i, j] = np.linalg.det(m) - 0.04 * (np.power(np.trace(m), 2))
if r[i, j] > rmax:
rmax = r[i, j]
for i in range(c - 1):
print(". .")
for j in range(l - 1):
print('loking')
if r[i, j] > 0.01 * rmax and r[i, j] > r[i-1, j-1] and r[i, j] > r[i-1, j+1]\
and r[i, j] > r[i+1, j-1] and r[i, j] > r[i+1, j+1]:
result[i, j] = 1
pc, pr = np.where(result == 1)
plt.plot(pr, pc, 'r+')
plt.savefig('harris_test.png')
plt.imshow(im, 'gray')
plt.show()
# plt.imsave('harris_test.png', im, 'gray')
im = open('chess.png')
Harris(im)
拟议的执行情况是可怕的效率低下。让我们开始之后计算的梯度(可以是优化过):
A = Ix.^2;
B = Iy.^2;
C = (Ix.*Iy).^4;
lambda = 0.04;
H = (A.*B - C) - lambda*(A+B).^2;
% if you really need max:
max(H(:))
没有循环所需要的,因为Matlab恨的循环。
基本上,哈里斯角检测将有5个步骤:
- 梯度计算
- 高斯平滑
- 哈里斯衡量的计算
- 非最大的抑制
- 阈值
如果你正在实施MATLAB,它将以易于理解的算法和得到的结果。
以下代码MATLAB可以帮你解决你的疑问:
% Step 1: Compute derivatives of image
Ix = conv2(im, dx, 'same');
Iy = conv2(im, dy, 'same');
% Step 2: Smooth space image derivatives (gaussian filtering)
Ix2 = conv2(Ix .^ 2, g, 'same');
Iy2 = conv2(Iy .^ 2, g, 'same');
Ixy = conv2(Ix .* Iy, g, 'same');
% Step 3: Harris corner measure
harris = (Ix2 .* Iy2 - Ixy .^ 2) ./ (Ix2 + Iy2);
% Step 4: Find local maxima (non maximum suppression)
mx = ordfilt2(harris, size .^ 2, ones(size));
% Step 5: Thresholding
harris = (harris == mx) & (harris > threshold);
有一个功能,在过计算机视系统称为"工具箱" detectHarrisFeatures
.
不隶属于 StackOverflow