Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprende Detección de Esquinas y Blobs | Procesamiento de Imágenes con OpenCV
Fundamentos de Visión por Computadora

Desliza para mostrar el menú

book
Detección de Esquinas y Blobs

Detección de Esquinas

La detección de esquinas se utiliza para identificar cambios bruscos en la intensidad donde se encuentran dos bordes. Es útil en la coincidencia de características, el seguimiento de objetos y el reconocimiento de estructuras.

Métodos Populares:

  • Detector de esquinas de Harris (cv2.cornerHarris): detecta esquinas basándose en los cambios de gradiente;

  • Detector de esquinas de Shi-Tomasi (cv2.goodFeaturesToTrack): selecciona las esquinas más fuertes en una imagen;

Detección de Blobs

La detección de blobs encuentra regiones de intensidad similar en una imagen, útil para la detección y el seguimiento de objetos.

Uno de los métodos populares para la detección de blobs es SimpleBlobDetector

  • cv2.SimpleBlobDetector: detecta puntos clave que representan blobs según el tamaño, la forma y la intensidad.

Tarea

Swipe to start coding

Se proporcionan las imágenes de una fábrica (factory) y de girasoles (sunflowers):

  • Convertir la imagen factory a escala de grises y almacenar en la variable gray_factory;
  • Convertir la imagen sunflowers a escala de grises y almacenar en la variable gray_sunflowers;
  • Es necesario para el Detector de Harris convertir la matriz de la imagen a float32, realizarlo y almacenar en gray_float;
  • Aplicar la detección de esquinas de Harris y almacenar en harris_corners (parámetros recomendados: blockSize=2, ksize=3, k=0.04);
  • Utilizar dilate() para mejorar la visibilidad de harris_corners;
  • Aplicar la detección de esquinas Shi-Tomasi a la imagen y almacenar en shi_tomasi_corners (parámetros recomendados: gray_factory, maxCorners=100, qualityLevel=0.01, minDistance=10)
  • Crear un objeto SimpleBlobDetector_Params para inicializar los parámetros y almacenar en params;
  • Crear un detector de blobs con los parámetros especificados y almacenar en detector;
  • Detectar los puntos clave de los blobs y almacenar en keypoints.

Solución

Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 2. Capítulo 8
Lamentamos que algo salió mal. ¿Qué pasó?

Pregunte a AI

expand
ChatGPT

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

book
Detección de Esquinas y Blobs

Detección de Esquinas

La detección de esquinas se utiliza para identificar cambios bruscos en la intensidad donde se encuentran dos bordes. Es útil en la coincidencia de características, el seguimiento de objetos y el reconocimiento de estructuras.

Métodos Populares:

  • Detector de esquinas de Harris (cv2.cornerHarris): detecta esquinas basándose en los cambios de gradiente;

  • Detector de esquinas de Shi-Tomasi (cv2.goodFeaturesToTrack): selecciona las esquinas más fuertes en una imagen;

Detección de Blobs

La detección de blobs encuentra regiones de intensidad similar en una imagen, útil para la detección y el seguimiento de objetos.

Uno de los métodos populares para la detección de blobs es SimpleBlobDetector

  • cv2.SimpleBlobDetector: detecta puntos clave que representan blobs según el tamaño, la forma y la intensidad.

Tarea

Swipe to start coding

Se proporcionan las imágenes de una fábrica (factory) y de girasoles (sunflowers):

  • Convertir la imagen factory a escala de grises y almacenar en la variable gray_factory;
  • Convertir la imagen sunflowers a escala de grises y almacenar en la variable gray_sunflowers;
  • Es necesario para el Detector de Harris convertir la matriz de la imagen a float32, realizarlo y almacenar en gray_float;
  • Aplicar la detección de esquinas de Harris y almacenar en harris_corners (parámetros recomendados: blockSize=2, ksize=3, k=0.04);
  • Utilizar dilate() para mejorar la visibilidad de harris_corners;
  • Aplicar la detección de esquinas Shi-Tomasi a la imagen y almacenar en shi_tomasi_corners (parámetros recomendados: gray_factory, maxCorners=100, qualityLevel=0.01, minDistance=10)
  • Crear un objeto SimpleBlobDetector_Params para inicializar los parámetros y almacenar en params;
  • Crear un detector de blobs con los parámetros especificados y almacenar en detector;
  • Detectar los puntos clave de los blobs y almacenar en keypoints.

Solución

Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 2. Capítulo 8
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
Lamentamos que algo salió mal. ¿Qué pasó?
some-alt