【火爐煉AI】機器學習048-Harris檢測影象角點

摘要： (本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 ) 角點檢測演算法大致有三類：基於灰度影象的角點檢測，基於二值影象的角點檢測，基於輪廓曲線的角點檢測。基於灰度影象的角點檢測又可分為基...

(本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )

角點檢測演算法大致有三類：基於灰度影象的角點檢測，基於二值影象的角點檢測，基於輪廓曲線的角點檢測。基於灰度影象的角點檢測又可分為基於梯度、基於模板和基於模板梯度組合3類方法，其中基於模板的方法主要考慮畫素領域點的灰度變化，即影象亮度的變化，將與鄰點亮度對比足夠大的點定義為角點。常見的基於模板的角點檢測演算法有Kitchen-Rosenfeld角點檢測演算法，Harris角點檢測演算法、KLT角點檢測演算法及SUSAN角點檢測演算法。

1. Harris角點檢測器

Harris角點檢測主要經過以下步驟：

1，對影象進行高斯濾波

2，對每個畫素，估計其垂直方向的梯度大小值，使用近似於導數的核做兩次一維卷積。

3，對每一畫素核給定的鄰域視窗：計算區域性結構矩陣和響應函式。

4，選取響應函式的一個閾值，以選擇最佳候選角點並完成非極大值抑制。

關於Harris角點檢測器的具體演算法，可以參考這篇博文：harris角點檢測器

下面我們來一步一步的使用Harris來檢測影象中的角點

# Harris 角點檢測器
img_gray = np.float32(gray) # Harris角點檢測器需要float型資料
img_harris = cv2.cornerHarris(img_gray, 7, 5, 0.04) # 使用角點檢測
plt.imshow(img_harris,cmap='gray') 
複製程式碼

上面使用cv2.cornerHarris()函式檢測到了圖片中的角點，但是從圖中可以看出，也檢測出了很多邊緣線條，故而我們要想辦法去掉這些邊緣線條而保留角點。

# 為了影象更加平滑，使用膨脹來將影象邊緣減小，使得角點更突出
img_harris = cv2.dilate(img_harris, None)
plt.imshow(img_harris,cmap='gray')
複製程式碼

從圖片中可以看出，經過膨脹操作之後，邊緣線條的寬度變小，而角點幾乎不變。

但是我們要確定一個角點定義方法，此處我們定義畫素值為最大值的1%以上為角點，從程式碼中可以看出：

# 確定角點的方法：此處我們定義角點為：其畫素值為最大值的1%以上為角點，如下：
is_corner=img_harris > 0.01 * img_harris.max()
plt.imshow(is_corner,cmap='gray') # 將角點繪製出來看一下
複製程式碼

上面的二值化圖可以很明顯的判斷出哪些是角點，那麼將這些角點繪製到原圖中是怎麼樣了？

img[is_corner]=[0, 0, 255] # 用紅色標註這些角點
img2=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
plt.imshow(img2)
複製程式碼

可以從圖中看出，角點檢測的還是比較準確的。

########################小**********結###############################

1，角點的檢測有一個難點在於cv2.cornerHarris的引數的選擇，這個可能要多次嘗試看效果。

2，本專案檢測的角點比較準確，有一個重要原因是圖片的背景是純白，背景顏色簡單，圖片物體前景只是一個箱子，角點非常明顯，故而檢測比較容易，在其他很多情況下，可能難以簡單的獲得比較滿意的結果。

#################################################################

注：本部分程式碼已經全部上傳到（ ofollow,noindex"> 我的github ）上，歡迎下載。

參考資料:

1, Python機器學習經典例項，Prateek Joshi著，陶俊傑，陳小莉譯