Oppiskele Kulma- ja Kohdetunnistus | Kuvankäsittely OpenCV:llä

Kulman tunnistus

Kulman tunnistusta käytetään voimakkaiden intensiteettimuutosten havaitsemiseen, joissa kaksi reunaa kohtaavat. Sitä hyödynnetään piirteiden yhdistämisessä, kohteiden seurannassa ja rakenteiden tunnistuksessa.

Suositut menetelmät:

Harris-kulmantunnistin (cv2.cornerHarris): tunnistaa kulmat gradienttimuutosten perusteella;

# Load image and convert to grayscale
image = cv2.imread("image.jpg")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# Convert to float32
gray = np.float32(gray)

# Apply Harris Corner Detection
harris_corners = cv2.cornerHarris(gray, blockSize=2, ksize=3, k=0.04)
harris_corners = cv2.dilate(harris_corners, None)  # Improve visibility

# Mark detected corners in red
image[harris_corners > 0.01 * harris_corners.max()] = [0, 0, 255]

Huomio

Parametrit:

src: syöteharmaasävykuva (oltava float32);
blockSize: paikallisen ikkunan koko gradienttien laskentaan;
ksize: Sobel-operaattorin aukon koko (pariton, esim. 3, 5, 7);
k: Harris-tunnistimen vapaa parametri (tyypillisesti: 0.04 - 0.06).

Shi-Tomasi-kulmantunnistin (cv2.goodFeaturesToTrack): valitsee kuvan vahvimmat kulmat;

# Load image and convert to grayscale
image = cv2.imread("image.jpg")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# Detect corners
corners = cv2.goodFeaturesToTrack(gray, maxCorners=100, qualityLevel=0.01, minDistance=10)

# Draw detected corners in blue
for corner in corners:
    x, y = np.int32(corner[0])
    cv2.circle(image, (x, y), 5, (255, 0, 0), -1)

Huomio

Parametrit:

image: syöteharmaasävykuva;
maxCorners: havaittavien kulmien enimmäismäärä;
qualityLevel: havaittujen kulmien vähimmäislaatu (alue: 0.01 - 0.1);
minDistance: havaittujen kulmien välinen vähimmäisetäisyys.

Lisätietoa

cv2.circle()-menetelmän parametrit kohteiden korostamiseen:

image: kuva, johon ympyrä piirretään;
center_coordinates: ympyrän keskipisteen koordinaatit, esitettynä kahden arvon tuplena: (X, Y);
radius: ympyrän säde;
color: ympyrän reunan väri. BGR-muodossa, annetaan tuplena (esim. (255, 0, 0) siniselle);
thickness: ympyrän reunan paksuus pikseleinä. Arvo -1 täyttää koko ympyrän määritellyllä värillä.

Blob-havainnointi

Blob-havainnointi tunnistaa samankaltaisen intensiteetin alueet kuvasta, mikä on hyödyllistä kohteiden tunnistuksessa ja seurannassa.

Yksi suosituista blob-havainnoinnin menetelmistä on SimpleBlobDetector

cv2.SimpleBlobDetector: tunnistaa avainpisteet, jotka edustavat blob-alueita koon, muodon ja intensiteetin perusteella.

# Set up SimpleBlobDetector parameters
params = cv2.SimpleBlobDetector_Params()

# Adjust parameters for better detection
params.minThreshold = 5
params.maxThreshold = 255
params.filterByArea = True
params.minArea = 100
params.maxArea = 5000
params.filterByCircularity = True
params.minCircularity = 0.02
params.filterByConvexity = True
params.minConvexity = 0.5
params.filterByInertia = True
params.minInertiaRatio = 0.001

# Create detector and detect blobs
detector = cv2.SimpleBlobDetector_create(params)
keypoints = detector.detect(gray)

# Draw blobs on the image
image_with_blobs = cv2.drawKeypoints(image, keypoints, None, (0, 255, 0),
                                     cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

Huomio

Parametrit:

minThreshold, maxThreshold: intensiteettialue kohteiden tunnistukseen;
filterByArea: mahdollistaa suodatuksen kohteen koon perusteella;
- minArea, maxArea: määrittää havaittujen kohteiden kokorajat;
filterByCircularity: mahdollistaa suodatuksen pyöreyden perusteella;
- minCircularity: pienemmät arvot tunnistavat pitkulaisia kohteita;
filterByConvexity: mahdollistaa suodatuksen konveksisuuden perusteella;
- minConvexity: pienemmät arvot sallivat kuperat muodot;
filterByInertia: mahdollistaa suodatuksen pituussuhteen perusteella;
- minInertiaRatio: pienemmät arvot tunnistavat pitkulaisia kohteita.

Tehtävä

Swipe to start coding

Sinulle on annettu tehdaskuva (factory) ja auringonkukkakuva (sunflowers):

Muunna factory-kuva harmaasävykuvaksi ja tallenna muuttujaan gray_factory;
Muunna sunflowers-kuva harmaasävykuvaksi ja tallenna muuttujaan gray_sunflowers;
Harris-detektoria varten kuvan matriisi tulee muuntaa muotoon float32, tee tämä ja tallenna muuttujaan gray_float;
Käytä Harris-kulmadetektoria ja tallenna tulos muuttujaan harris_corners (suositellut parametrit: blockSize=2, ksize=3, k=0.04);
Paranna dilate()-tuloksen näkyvyyttä käyttämällä harris_corners;
Käytä Shi-Tomasi -kulmadetektoria kuvaan ja tallenna tulos muuttujaan shi_tomasi_corners (suositellut parametrit: gray_factory, maxCorners=100, qualityLevel=0.01, minDistance=10)
Luo SimpleBlobDetector_Params-olio parametrien alustamista varten ja tallenna muuttujaan params;
Luo blob-detektori määritellyillä parametreilla ja tallenna muuttujaan detector;
Tunnista blob-avaimet ja tallenna muuttujaan keypoints.

Ratkaisu

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 2. Luku 8

single

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Awesome!

Completion rate improved to 3.45

Pyyhkäise näyttääksesi valikon

Kulman tunnistus

Suositut menetelmät:

Harris-kulmantunnistin (cv2.cornerHarris): tunnistaa kulmat gradienttimuutosten perusteella;

# Load image and convert to grayscale
image = cv2.imread("image.jpg")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# Convert to float32
gray = np.float32(gray)

# Apply Harris Corner Detection
harris_corners = cv2.cornerHarris(gray, blockSize=2, ksize=3, k=0.04)
harris_corners = cv2.dilate(harris_corners, None)  # Improve visibility

# Mark detected corners in red
image[harris_corners > 0.01 * harris_corners.max()] = [0, 0, 255]

Huomio

Parametrit:

src: syöteharmaasävykuva (oltava float32);
blockSize: paikallisen ikkunan koko gradienttien laskentaan;
ksize: Sobel-operaattorin aukon koko (pariton, esim. 3, 5, 7);
k: Harris-tunnistimen vapaa parametri (tyypillisesti: 0.04 - 0.06).

Shi-Tomasi-kulmantunnistin (cv2.goodFeaturesToTrack): valitsee kuvan vahvimmat kulmat;

# Load image and convert to grayscale
image = cv2.imread("image.jpg")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# Detect corners
corners = cv2.goodFeaturesToTrack(gray, maxCorners=100, qualityLevel=0.01, minDistance=10)

# Draw detected corners in blue
for corner in corners:
    x, y = np.int32(corner[0])
    cv2.circle(image, (x, y), 5, (255, 0, 0), -1)

Huomio

Parametrit:

image: syöteharmaasävykuva;
maxCorners: havaittavien kulmien enimmäismäärä;
qualityLevel: havaittujen kulmien vähimmäislaatu (alue: 0.01 - 0.1);
minDistance: havaittujen kulmien välinen vähimmäisetäisyys.

Lisätietoa

cv2.circle()-menetelmän parametrit kohteiden korostamiseen:

image: kuva, johon ympyrä piirretään;
center_coordinates: ympyrän keskipisteen koordinaatit, esitettynä kahden arvon tuplena: (X, Y);
radius: ympyrän säde;
color: ympyrän reunan väri. BGR-muodossa, annetaan tuplena (esim. (255, 0, 0) siniselle);
thickness: ympyrän reunan paksuus pikseleinä. Arvo -1 täyttää koko ympyrän määritellyllä värillä.

Blob-havainnointi

Blob-havainnointi tunnistaa samankaltaisen intensiteetin alueet kuvasta, mikä on hyödyllistä kohteiden tunnistuksessa ja seurannassa.

Yksi suosituista blob-havainnoinnin menetelmistä on SimpleBlobDetector

cv2.SimpleBlobDetector: tunnistaa avainpisteet, jotka edustavat blob-alueita koon, muodon ja intensiteetin perusteella.

# Set up SimpleBlobDetector parameters
params = cv2.SimpleBlobDetector_Params()

# Adjust parameters for better detection
params.minThreshold = 5
params.maxThreshold = 255
params.filterByArea = True
params.minArea = 100
params.maxArea = 5000
params.filterByCircularity = True
params.minCircularity = 0.02
params.filterByConvexity = True
params.minConvexity = 0.5
params.filterByInertia = True
params.minInertiaRatio = 0.001

# Create detector and detect blobs
detector = cv2.SimpleBlobDetector_create(params)
keypoints = detector.detect(gray)

# Draw blobs on the image
image_with_blobs = cv2.drawKeypoints(image, keypoints, None, (0, 255, 0),
                                     cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

Huomio

Parametrit:

minThreshold, maxThreshold: intensiteettialue kohteiden tunnistukseen;
filterByArea: mahdollistaa suodatuksen kohteen koon perusteella;
- minArea, maxArea: määrittää havaittujen kohteiden kokorajat;
filterByCircularity: mahdollistaa suodatuksen pyöreyden perusteella;
- minCircularity: pienemmät arvot tunnistavat pitkulaisia kohteita;
filterByConvexity: mahdollistaa suodatuksen konveksisuuden perusteella;
- minConvexity: pienemmät arvot sallivat kuperat muodot;
filterByInertia: mahdollistaa suodatuksen pituussuhteen perusteella;
- minInertiaRatio: pienemmät arvot tunnistavat pitkulaisia kohteita.

Tehtävä

Swipe to start coding

Sinulle on annettu tehdaskuva (factory) ja auringonkukkakuva (sunflowers):

Muunna factory-kuva harmaasävykuvaksi ja tallenna muuttujaan gray_factory;
Muunna sunflowers-kuva harmaasävykuvaksi ja tallenna muuttujaan gray_sunflowers;
Harris-detektoria varten kuvan matriisi tulee muuntaa muotoon float32, tee tämä ja tallenna muuttujaan gray_float;
Käytä Harris-kulmadetektoria ja tallenna tulos muuttujaan harris_corners (suositellut parametrit: blockSize=2, ksize=3, k=0.04);
Paranna dilate()-tuloksen näkyvyyttä käyttämällä harris_corners;
Käytä Shi-Tomasi -kulmadetektoria kuvaan ja tallenna tulos muuttujaan shi_tomasi_corners (suositellut parametrit: gray_factory, maxCorners=100, qualityLevel=0.01, minDistance=10)
Luo SimpleBlobDetector_Params-olio parametrien alustamista varten ja tallenna muuttujaan params;
Luo blob-detektori määritellyillä parametreilla ja tallenna muuttujaan detector;
Tunnista blob-avaimet ja tallenna muuttujaan keypoints.

Ratkaisu

Vaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoista

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 2. Luku 8

single