Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Apprendre Détection de Coins et de Blobs | Traitement d'Images avec OpenCV
Principes Fondamentaux de la Vision par Ordinateur

Glissez pour afficher le menu

book
Détection de Coins et de Blobs

Détection de coins

La détection de coins permet d’identifier les changements brusques d’intensité là où deux arêtes se rencontrent. Elle est utilisée pour l’appariement de caractéristiques, le suivi d’objets et la reconnaissance de structures.

Méthodes populaires :

  • Détecteur de coins de Harris (cv2.cornerHarris) : détecte les coins en se basant sur les variations de gradient ;

  • Détecteur de coins de Shi-Tomasi (cv2.goodFeaturesToTrack) : sélectionne les coins les plus marqués dans une image ;

Détection de blobs

La détection de blobs identifie les régions d’intensité similaire dans une image, utile pour la détection et le suivi d’objets.

L’une des méthodes populaires pour la détection de blobs est SimpleBlobDetector

  • cv2.SimpleBlobDetector : détecte des points clés représentant les blobs selon leur taille, forme et intensité.

Tâche

Swipe to start coding

Vous disposez des images d'une usine (factory) et de tournesols (sunflowers) :

  • Convertir l'image factory en niveaux de gris et la stocker dans la variable gray_factory ;
  • Convertir l'image sunflowers en niveaux de gris et la stocker dans la variable gray_sunflowers ;
  • Il est nécessaire pour le détecteur de Harris de convertir la matrice d'image en float32, effectuez cette conversion et stockez-la dans gray_float ;
  • Appliquer la détection de coins de Harris et stocker le résultat dans harris_corners (paramètres recommandés : blockSize=2, ksize=3, k=0.04) ;
  • Utiliser dilate() pour améliorer la visibilité des harris_corners ;
  • Appliquer la détection de coins Shi-Tomasi à l'image et stocker le résultat dans shi_tomasi_corners (paramètres recommandés : gray_factory, maxCorners=100, qualityLevel=0.01, minDistance=10)
  • Créer un objet SimpleBlobDetector_Params pour initialiser les paramètres et le stocker dans params ;
  • Créer un détecteur de blobs avec les paramètres spécifiés et le stocker dans detector ;
  • Détecter les points clés des blobs et les stocker dans keypoints.

Solution

Switch to desktopPassez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous
Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 2. Chapitre 8
Nous sommes désolés de vous informer que quelque chose s'est mal passé. Qu'est-il arrivé ?

Demandez à l'IA

expand
ChatGPT

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

book
Détection de Coins et de Blobs

Détection de coins

La détection de coins permet d’identifier les changements brusques d’intensité là où deux arêtes se rencontrent. Elle est utilisée pour l’appariement de caractéristiques, le suivi d’objets et la reconnaissance de structures.

Méthodes populaires :

  • Détecteur de coins de Harris (cv2.cornerHarris) : détecte les coins en se basant sur les variations de gradient ;

  • Détecteur de coins de Shi-Tomasi (cv2.goodFeaturesToTrack) : sélectionne les coins les plus marqués dans une image ;

Détection de blobs

La détection de blobs identifie les régions d’intensité similaire dans une image, utile pour la détection et le suivi d’objets.

L’une des méthodes populaires pour la détection de blobs est SimpleBlobDetector

  • cv2.SimpleBlobDetector : détecte des points clés représentant les blobs selon leur taille, forme et intensité.

Tâche

Swipe to start coding

Vous disposez des images d'une usine (factory) et de tournesols (sunflowers) :

  • Convertir l'image factory en niveaux de gris et la stocker dans la variable gray_factory ;
  • Convertir l'image sunflowers en niveaux de gris et la stocker dans la variable gray_sunflowers ;
  • Il est nécessaire pour le détecteur de Harris de convertir la matrice d'image en float32, effectuez cette conversion et stockez-la dans gray_float ;
  • Appliquer la détection de coins de Harris et stocker le résultat dans harris_corners (paramètres recommandés : blockSize=2, ksize=3, k=0.04) ;
  • Utiliser dilate() pour améliorer la visibilité des harris_corners ;
  • Appliquer la détection de coins Shi-Tomasi à l'image et stocker le résultat dans shi_tomasi_corners (paramètres recommandés : gray_factory, maxCorners=100, qualityLevel=0.01, minDistance=10)
  • Créer un objet SimpleBlobDetector_Params pour initialiser les paramètres et le stocker dans params ;
  • Créer un détecteur de blobs avec les paramètres spécifiés et le stocker dans detector ;
  • Détecter les points clés des blobs et les stocker dans keypoints.

Solution

Switch to desktopPassez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous
Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 2. Chapitre 8
Switch to desktopPassez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous
Nous sommes désolés de vous informer que quelque chose s'est mal passé. Qu'est-il arrivé ?
some-alt