Lære Hjørne- og Blobdeteksjon | Bildebehandling med OpenCV

Hjørnedeteksjon

Hjørnedeteksjon brukes til å identifisere skarpe endringer i intensitet der to kanter møtes. Dette er nyttig for funksjonsmatching, objektsporing og strukturidentifikasjon.

Populære metoder:

Harris hjørnedetektor (cv2.cornerHarris): detekterer hjørner basert på gradientendringer;

# 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]

Merk

Parametere:

src: inngående gråtonebilde (må være float32);
blockSize: størrelse på det lokale vinduet for beregning av gradienter;
ksize: aperturstørrelse for Sobel-operatoren (oddetall, f.eks. 3, 5, 7);
k: fri parameter for Harris-detektoren (typiske verdier: 0.04 - 0.06).

Shi-Tomasi hjørnedetektor (cv2.goodFeaturesToTrack): velger de sterkeste hjørnene i et bilde;

# 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)

Merk

Parametere:

image: inngående gråtonebilde;
maxCorners: maksimalt antall hjørner som skal oppdages;
qualityLevel: minimumskvalitet for oppdagede hjørner (område: 0.01 - 0.1);
minDistance: minste avstand mellom oppdagede hjørner.

Les mer

Parametere for cv2.circle()-metoden for å fremheve objekter:

image: bildet hvor sirkelen skal tegnes;
center_coordinates: sentrumkoordinatene til sirkelen, representert som en tuple med to verdier: (X, Y);
radius: radiusen til sirkelen;
color: fargen på sirkelens kant. I BGR-format, gitt som en tuple (f.eks. (255, 0, 0) for blå);
thickness: tykkelsen på sirkelens kant i piksler. En verdi på -1 fyller hele sirkelen med den angitte fargen.

Blob Detection

Blob-deteksjon finner områder med lik intensitet i et bilde, nyttig for objektdeteksjon og sporing.

En av de populære metodene for blob-deteksjon er SimpleBlobDetector

cv2.SimpleBlobDetector: oppdager nøkkelpunkter som representerer blobs basert på størrelse, form og intensitet.

# 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)

Merk

Parametere:

minThreshold, maxThreshold: intensitetsområde for blob-deteksjon;
filterByArea: aktiverer filtrering basert på blob-størrelse;
- minArea, maxArea: angir størrelsesbegrensninger for detekterte blobs;
filterByCircularity: aktiverer filtrering basert på rundhet;
- minCircularity: lavere verdier oppdager avlange blobs;
filterByConvexity: aktiverer filtrering basert på konveksitet;
- minConvexity: lavere verdier tillater konkave former;
filterByInertia: aktiverer filtrering basert på avlanghet;
- minInertiaRatio: lavere verdier oppdager avlange blobs.

Oppgave

Swipe to start coding

Du får bilder av fabrikk (factory) og solsikker (sunflowers):

Konverter factory-bildet til gråtoner og lagre i variabelen gray_factory;
Konverter sunflowers-bildet til gråtoner og lagre i variabelen gray_sunflowers;
For Harris-detektoren må bildepikselmatrisen konverteres til float32, gjør dette og lagre i gray_float;
Bruk Harris hjørnedeteksjon og lagre i harris_corners (anbefalte parametere: blockSize=2, ksize=3, k=0.04);
Bruk dilate() for å forbedre synligheten av harris_corners;
Bruk Shi-Tomasi hjørnedeteksjon på bildet og lagre i shi_tomasi_corners (anbefalte parametere: gray_factory, maxCorners=100, qualityLevel=0.01, minDistance=10)
Opprett et SimpleBlobDetector_Params-objekt for å initialisere parameterne og lagre i params;
Opprett en blob-detektor med de angitte parameterne og lagre i detector;
Oppdag blob-nøkkelpunkter og lagre i keypoints.

Løsning

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 2. Kapittel 8

single

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

Suggested prompts:

Can you explain the difference between Harris and Shi-Tomasi corner detectors?

How do I choose between corner detection and blob detection for my application?

Can you provide more details on tuning the parameters for SimpleBlobDetector?

Awesome!

Completion rate improved to 3.45

Sveip for å vise menyen

Hjørnedeteksjon

Hjørnedeteksjon brukes til å identifisere skarpe endringer i intensitet der to kanter møtes. Dette er nyttig for funksjonsmatching, objektsporing og strukturidentifikasjon.

Populære metoder:

Harris hjørnedetektor (cv2.cornerHarris): detekterer hjørner basert på gradientendringer;

# 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]

Merk

Parametere:

src: inngående gråtonebilde (må være float32);
blockSize: størrelse på det lokale vinduet for beregning av gradienter;
ksize: aperturstørrelse for Sobel-operatoren (oddetall, f.eks. 3, 5, 7);
k: fri parameter for Harris-detektoren (typiske verdier: 0.04 - 0.06).

Shi-Tomasi hjørnedetektor (cv2.goodFeaturesToTrack): velger de sterkeste hjørnene i et bilde;

# 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)

Merk

Parametere:

image: inngående gråtonebilde;
maxCorners: maksimalt antall hjørner som skal oppdages;
qualityLevel: minimumskvalitet for oppdagede hjørner (område: 0.01 - 0.1);
minDistance: minste avstand mellom oppdagede hjørner.

Les mer

Parametere for cv2.circle()-metoden for å fremheve objekter:

image: bildet hvor sirkelen skal tegnes;
center_coordinates: sentrumkoordinatene til sirkelen, representert som en tuple med to verdier: (X, Y);
radius: radiusen til sirkelen;
color: fargen på sirkelens kant. I BGR-format, gitt som en tuple (f.eks. (255, 0, 0) for blå);
thickness: tykkelsen på sirkelens kant i piksler. En verdi på -1 fyller hele sirkelen med den angitte fargen.

Blob Detection

Blob-deteksjon finner områder med lik intensitet i et bilde, nyttig for objektdeteksjon og sporing.

En av de populære metodene for blob-deteksjon er SimpleBlobDetector

cv2.SimpleBlobDetector: oppdager nøkkelpunkter som representerer blobs basert på størrelse, form og intensitet.

# 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)

Merk

Parametere:

minThreshold, maxThreshold: intensitetsområde for blob-deteksjon;
filterByArea: aktiverer filtrering basert på blob-størrelse;
- minArea, maxArea: angir størrelsesbegrensninger for detekterte blobs;
filterByCircularity: aktiverer filtrering basert på rundhet;
- minCircularity: lavere verdier oppdager avlange blobs;
filterByConvexity: aktiverer filtrering basert på konveksitet;
- minConvexity: lavere verdier tillater konkave former;
filterByInertia: aktiverer filtrering basert på avlanghet;
- minInertiaRatio: lavere verdier oppdager avlange blobs.

Oppgave

Swipe to start coding

Du får bilder av fabrikk (factory) og solsikker (sunflowers):

Konverter factory-bildet til gråtoner og lagre i variabelen gray_factory;
Konverter sunflowers-bildet til gråtoner og lagre i variabelen gray_sunflowers;
For Harris-detektoren må bildepikselmatrisen konverteres til float32, gjør dette og lagre i gray_float;
Bruk Harris hjørnedeteksjon og lagre i harris_corners (anbefalte parametere: blockSize=2, ksize=3, k=0.04);
Bruk dilate() for å forbedre synligheten av harris_corners;
Bruk Shi-Tomasi hjørnedeteksjon på bildet og lagre i shi_tomasi_corners (anbefalte parametere: gray_factory, maxCorners=100, qualityLevel=0.01, minDistance=10)
Opprett et SimpleBlobDetector_Params-objekt for å initialisere parameterne og lagre i params;
Opprett en blob-detektor med de angitte parameterne og lagre i detector;
Oppdag blob-nøkkelpunkter og lagre i keypoints.

Løsning

Bytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenfor

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 2. Kapittel 8

single