Hörn- och Blobdetektering
Hörndetektering
Hörndetektering används för att identifiera skarpa intensitetsförändringar där två kanter möts. Det är användbart för funktionsmatchning, objektspårning och strukturigenkänning.
Populära metoder:
- Harris-hörndetektor (
cv2.cornerHarris): detekterar hörn baserat på gradientförändringar;
- Shi-Tomasi-hörndetektor (
cv2.goodFeaturesToTrack): väljer de starkaste hörnen i en bild;
Blobdetektering
Blobdetektering hittar områden med liknande intensitet i en bild, användbart för objektdetektering och spårning.
En av de populära metoderna för blobdetektering är SimpleBlobDetector
cv2.SimpleBlobDetector: detekterar nyckelpunkter som representerar blobbar baserat på storlek, form och intensitet.
Uppgift
Swipe to start coding
Du har fått bilder av en fabrik (factory) och solrosor (sunflowers):
- Konvertera bilden
factorytill gråskala och spara i variabelngray_factory; - Konvertera bilden
sunflowerstill gråskala och spara i variabelngray_sunflowers; - För Harris-detektorn är det nödvändigt att konvertera bildmatrisen till
float32, gör detta och spara igray_float; - Applicera Harris-hörndetektering och spara i
harris_corners(rekommenderade parametrarblockSize=2, ksize=3, k=0.04); - Använd
dilate()för att förbättra synligheten avharris_corners; - Applicera Shi-Tomasi-hörndetektering på bilden och spara i
shi_tomasi_corners(rekommenderade parametrargray_factory, maxCorners=100, qualityLevel=0.01, minDistance=10) - Skapa ett
SimpleBlobDetector_Params-objekt för att initiera parametrarna och spara iparams; - Skapa en blobdetektor med angivna parametrar och spara i
detector; - Detektera blob-nyckelpunkter och spara i
keypoints.
Lösning
Byt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedanVar allt tydligt?
Tack för dina kommentarer!
