Lära Hörn- och Blobdetektering | Bildbehandling med OpenCV

Avsnitt 2. Kapitel 8

single

Svep för att visa menyn

Hörndetektering

Hörndetektering används för att identifiera skarpa intensitetsförändringar där två kanter möts. Det är användbart vid funktionsmatchning, objektspårning och strukturigenkänning.

Populära metoder:

Harris-hörndetektor (cv2.cornerHarris): detekterar hörn baserat på gradientförändringar;

# 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]

Notering

Parametrar:

src: inmatad gråskalebild (måste vara float32);
blockSize: storlek på det lokala fönstret för gradientberäkning;
ksize: aperturstorlek för Sobeloperatorn (udda, t.ex. 3, 5, 7);
k: fri parameter för Harris-detektorn (typiska värden: 0.04 - 0.06).

Shi-Tomasi-hörndetektor (cv2.goodFeaturesToTrack): väljer de starkaste hörnen i en bild;

# 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)

Notera

Parametrar:

image: inmatad gråskalebild;
maxCorners: maximalt antal hörn att detektera;
qualityLevel: minsta kvalitet på detekterade hörn (intervall: 0.01 - 0.1);
minDistance: minsta avstånd mellan detekterade hörn.

Läs mer

Parametrar för metoden cv2.circle() för att markera objekt:

image: bilden där cirkeln ska ritas;
center_coordinates: cirkelns mittkoordinater, representerade som en tuppel med två värden: (X, Y);
radius: cirkelns radie;
color: färgen på cirkelns kant. I BGR-format, anges som en tuppel (t.ex. (255, 0, 0) för blå);
thickness: tjockleken på cirkelns kant i pixlar. Värdet -1 fyller hela cirkeln med den angivna färgen.

Blobdetektering

Blobdetektering identifierar 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.

# 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)

Notering

Parametrar:

minThreshold, maxThreshold: intensitetsintervall för blob-detektering;
filterByArea: aktiverar filtrering baserat på blob-storlek;
- minArea, maxArea: anger storleksbegränsningar för detekterade blobbar;
filterByCircularity: aktiverar filtrering baserat på rundhet;
- minCircularity: lägre värden detekterar avlånga blobbar;
filterByConvexity: aktiverar filtrering baserat på konvexitet;
- minConvexity: lägre värden tillåter konkava former;
filterByInertia: aktiverar filtrering baserat på utdragning;
- minInertiaRatio: lägre värden detekterar avlånga blobbar.

Uppgift

Swipe to start coding

Du har fått bilder av en fabrik (factory) och solrosor (sunflowers):

Konvertera bilden factory till gråskala och spara i variabeln gray_factory;
Konvertera bilden sunflowers till gråskala och spara i variabeln gray_sunflowers;
För Harrisdetektorn är det nödvändigt att konvertera bildmatrisen till float32, gör detta och spara i gray_float;
Applicera Harris hörndetektering och spara i harris_corners (rekommenderade parametrar blockSize=2, ksize=3, k=0.04);
Använd dilate() för att förbättra synligheten av harris_corners;
Applicera Shi-Tomasi hörndetektering på bilden och spara i shi_tomasi_corners (rekommenderade parametrar gray_factory, maxCorners=100, qualityLevel=0.01, minDistance=10)
Skapa ett SimpleBlobDetector_Params-objekt för att initiera parametrarna och spara i params;
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 nedan

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 2. Kapitel 8

single

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal