Implementazione di un rilevatore d'angolo Harris
-
27-09-2019 - |
Domanda
Sto implementando un rilevatore d'angolo Harris per scopi didattici, ma sono bloccato nella parte della risposta Harris.Fondamentalmente, quello che sto facendo è:
- Calcola i gradienti di intensità dell'immagine nelle direzioni x e y
- Uscita sfocata di (1)
- Calcola la risposta di Harris sull'output di (2)
- Sopprimi i non massimi nell'output di (3) in un vicinato 3x3 e nell'output di soglia
1 e 2 sembrano funzionare bene;tuttavia, ottengo valori molto piccoli come risposta Harris e nessun punto raggiunge la soglia.L'input è una fotografia all'aperto standard.
[...]
[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
Per l'immagine di esempio, il massimo risulta essere 6.4163e-018 che sembra decisamente troppo basso.
Soluzione
Un angolo nel rilevamento degli angoli Harris è definito come "il pixel di valore più alto in una regione" (di solito 3X3
O 5x5
) quindi il tuo commento sul fatto che non si raggiunge alcuna "soglia" mi sembra strano.Raccogli semplicemente tutti i pixel che hanno un valore più alto di tutti gli altri pixel nel file 5x5
quartiere intorno a loro.
A parte quello:Non ne sono sicuro al 100%, ma penso che dovresti avere:
K(j,i) = det(H) - lambda*(trace(H)^2)
Dove lambda è una costante positiva che funziona nel tuo caso (e il valore suggerito da Harris è 0,04).
In generale l'unico momento sensato per filtrare il tuo input è prima di questo punto:
[Ix, Iy] = intensityGradients(img);
Filtraggio Ix2
, Iy2
E Ixy
non ha molto senso per me.
Inoltre, penso che il tuo codice di esempio sia sbagliato qui (funziona harrisResponse
hanno due o tre variabili di input?):
H = harrisResponse(Ix2, Ixy, Iy2);
[...]
function K = harrisResponse(Ix, Iy)
Altri suggerimenti
La soluzione che ho implementato con Python, per me funziona, spero che troverai quello che stai cercando
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)
L’implementazione proposta è terribilmente inefficiente.Iniziamo dopo aver calcolato i gradienti (che possono essere anche ottimizzati):
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(:))
Non sono richiesti cicli, perché Matlab odia i cicli.
Fondamentalmente, il rilevamento degli angoli Harris avrà 5 passaggi:
- Calcolo del gradiente
- Levigatura gaussiana
- Calcolo delle misure di Harris
- Soppressione non massima
- Soglia
Se stai implementando in MATLAB, sarà facile comprendere l'algoritmo e ottenere i risultati.
Il seguente codice di MATLAB può aiutarti a risolvere i tuoi dubbi:
% 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);
Esiste una funzione per questo nella casella degli strumenti del sistema di visione artificiale chiamata detectHarrisFeatures
.