首页 > 代码库 > 使用nodeitk进行角点检测

使用nodeitk进行角点检测

前言

东莞,晴,33至27度。今天天气真好,学生陆续离开学校。忙完学生答辩事情,终于可以更新一下nodeitk。本文继续介绍node的特征识别相关内容,你会看到,采用nodeitk实现角点检测是一件十分简单的事情。


本文你将学到使用nodeitk进行角点检测:

1.        特征包含有哪些?为什么它们这么重要

2.        使用函数cornerHarris,利用Harris-Stephens方法检测角点

理论

什么是特征?

1.        在机器视觉中,通常我们在一个环境下的不同帧查找匹配点。为什么?这是因为如果我们知道两张图之间的相关性,我们就可以从两张图中提取它们包含的信息

2.        当我们说匹配点时,一般意义是指我们可以很容易在场景中识别的特征。

3.        那么什么是特征呢?

a)        它必须是独有的可以识别的特性。

图像特征的类型

大概有:

1.        边缘

2.        角点(也称为感兴趣点)

3.        斑点(Blobs,也称为感兴趣区域)

在本文,我们将专门谈谈角点特征

为什么角点那么特别?

因为,它是两相交边的位置,代表两条边方向改变的位置。因此,角点往往是图像梯度(两个方向)急剧变化的位置。

算法描述

当我们寻找角点,因为角点表示图像在梯度的变化,因此我们可以等价于寻找这“变化”

假设是一个灰度图像I。我们使用一个窗口做卷积(u为x方向位移,v为右方向位移):

E(u,v)= \sum_{x,y} w(x,y)[I(x+u,y+v)-I(x,y)]^2

其中

1.        是在位置的窗口

2.        是在位置的灰度

3.        是移动窗口处的灰度

因为我们希望找到灰度在窗口处存在较大的差异,以此找到角点的窗口位置。因此,我们最大化上述等式,令项:

使泰勒展式:

E(u,v) \approx  \sum_{x,y} [I(x,y)+uI_x+vI_y-I(x,y)]^2

展开等式并化简:

E(u,v) \approx  \sum_{x,y} u^2I_x^2+2uvI_xI_y+v^2I_y^2

使用矩阵形式表示:

E(u,v) \approx  [u,v](\sum_{x,y} w(x,y) \begin{bmatrix}I_x^2& I_xI_y \\I_xI_y & I_y^2 \end{bmatrix} )\begin{bmatrix} u \\ v\end{bmatrix}

M = \sum_{x,y} w(x,y) \begin{bmatrix}I_x^2 & I_xI_y \\I_xI_y & I_y^2\end{bmatrix}

那么等式可以表示为:

E(u,v) \approx  [u,v]M\begin{bmatrix} u \\ v \end{bmatrix}

对于每个窗口,采用下面评价函数以确定窗口是否包含角点

R=det(M)-k(trace(M))^2

这里

1.        det(M)= \lambda _1 \lambda _2

2.         trace(M)= \lambda _1 + \lambda _2

当一个窗口的R值大于阈值时,被认为是角点

源代码:

var node_itk = require('./node-itk');
var thresh = 200;
var max_thresh = 255;
var source_window = "Source image";
var corners_window = "Corners detected";
var src = http://www.mamicode.com/node_itk.cv.imread( "./images/lena.jpg", 1 );>

运行结果




小结

nodeitk实现角点检测是一件十分容易的事情,在后面我们将深入介绍相关特征识别的内容,当前特征识别模块已经开发完毕。待续。