Die Umsetzung einer Harris-corner-Detektor

Ich die Umsetzung einer Harris-corner-Detektor für pädagogische Zwecke, aber ich bin stecken in der harris-Antwort-Teil. Im Grunde, was ich Tue, ist:

  1. Compute Bild Intensität Gradienten in x - und y-Richtung
  2. Blur-Ausgang (1)
  3. Berechnen Harris Reaktion über Ausgabe von (2)
  4. Unterdrücken nicht-maximas in der Ausgabe von (3) in einer 3x3-Nachbarschaft und grenzleistung

1 und 2 scheinen gut zu funktionieren; allerdings bekomme ich nur sehr kleine Werte, wie der Harris-Antwort und keinen Punkt hat erreichen der Schwelle. Eingang ist eine standard-outdoor-Fotografie.

[...]
[Ix, Iy] = intensityGradients(img);
g = fspecial('gaussian');
Ix = imfilter(Ix, g);
Iy = imfilter(Iy, g);
H = harrisResponse(Ix, Iy);
[...]

function K = harrisResponse(Ix, Iy)
    max = 0;
    [sy, sx] = size(Ix);
    K = zeros(sy, sx);
    for i = 1:sx,
        for j = 1:sy,
            H = [Ix(j,i) * Ix(j,i), Ix(j,i) * Iy(j,i)
                Ix(j,i) * Iy(j,i), Iy(j,i) * Iy(j,i)];
            K(j,i) = det(H) / trace(H);
            if K(j,i) > max,
                max = K(j,i);
            end
        end
    end
    max
end

Für das Beispiel-Bild, max endet als 6.4163 e-018, die scheint viel zu gering.

InformationsquelleAutor Etan | 2010-10-05

  1. 7

    Einer Ecke in der Harris corner detection ist definiert als "der höchste Wert der pixel in einer region" (in der Regel 3X3 oder 5x5), so Ihr Kommentar zu kein Punkt erreichen eines "threshold" scheint mir seltsam. Nur sammeln Sie alle Pixel, die einen höheren Wert als alle anderen Pixel des 5x5 Nachbarschaft um Sie herum.

    Abgesehen davon, dass:
    Ich bin mir nicht 100% sicher, aber ich denke, Sie sollten haben:

    K(j,i) = det(H) - lambda*(trace(H)^2)
    Wo die lambda ist eine positive Konstante, die funktioniert in deinem Fall (und Harris vorgeschlagene Wert ist 0.04).

    Im Allgemeinen nur dann sinnvoll, moment filtern Sie Ihre Eingabe, bevor Sie an dieser Stelle:

    [Ix, Iy] = intensityGradients(img);

    Filterung Ix2, Iy2 und Ixy macht nicht viel Sinn für mich.

    Außerdem denke ich, dass dein Beispiel-code ist hier falsch (funktioniert harrisResponse haben zwei oder drei input-Variablen?): 

    H = harrisResponse(Ix2, Ixy, Iy2);
[...]

function K = harrisResponse(Ix, Iy)
    Ich muss wieder auf nicht-filter-Ix2 etc nicht mehr, daher gab es einige Fehler, die Links in der Kopie auf stackoverflow.
    Das problem war, dass ich nicht die Summe aller Pixel in dem 3x3-Quadrat zu finden, aus der Ix2 etc; stattdessen habe ich nur die entsprechenden pixel. Nach der änderung von H in einer Weise, dass es fasst alle Ix2, Ixy und Iy2 für alle 9 Pixel, es sehr schön aussieht.
    det(H)/Spur(H) ist ein ofen-verwendete Näherung in dem Fall, wo Sie nicht haben einen lambda-Ausdruck.
    Ich wusste nicht, über, der den letzten Stich. Schön. Es scheint, Sie lösen das problem selbst, nice!!! (und der alte trick funktioniert immer noch: einfach zu erklären, das problem auf jemanden, der dir hilft, auf die Lösung), ist dies den funktionierenden code ?

    InformationsquelleAutor jilles de wit

  2. 3

    Vorgeschlagen, die Umsetzung ist furchtbar ineffizient.
    Können' start nach der Berechnung von Gradienten (optimiert):

    A = Ix.^2;
B = Iy.^2;
C = (Ix.*Iy).^4;
lambda = 0.04;

H = (A.*B - C) - lambda*(A+B).^2;

% if you really need max:
max(H(:))

    Kein Schleifen erforderlich, da Matlab hasst Schleifen.

    Aber warum berechnen C = (Ix.*Iy).^4 statt einfach C = (Ix.*Iy) ?

    InformationsquelleAutor Piotr

  3. 3

    Grundsätzlich Harris corner detection wird in 5 Schritten:

    1. Gradienten-Berechnung
    2. Gaußsche Glättung
    3. Harris Maßnahme Berechnung
    4. Non-maximum-Unterdrückung
    5. Schwellenwertbestimmung

    Wenn Sie die Umsetzung in MATLAB, es wird einfach zu verstehen, die der Algorithmus und die Ergebnisse bekommen.

    Den folgenden code von MATLAB kann helfen, Sie zu lösen Ihre Zweifel:

    % Step 1: Compute derivatives of image
Ix = conv2(im, dx, 'same');
Iy = conv2(im, dy, 'same');

% Step 2: Smooth space image derivatives (gaussian filtering)
Ix2 = conv2(Ix .^ 2, g, 'same');
Iy2 = conv2(Iy .^ 2, g, 'same');
Ixy = conv2(Ix .* Iy, g, 'same');

% Step 3: Harris corner measure
harris = (Ix2 .* Iy2 - Ixy .^ 2) ./ (Ix2 + Iy2);

% Step 4: Find local maxima (non maximum suppression)
mx = ordfilt2(harris, size .^ 2, ones(size));

% Step 5: Thresholding
harris = (harris == mx) & (harris > threshold);

    InformationsquelleAutor Megha Billure

  4. 2

    Die Lösung, die ich umgesetzt mit python, es funktioniert für mich, ich hoffe, Sie finden, was Sie suchen

    import numpy as np
import matplotlib.pyplot as plt
from PIL.Image import *
from scipy import ndimage

def imap1(im):
    print('testing the picture . . .')
    a = Image.getpixel(im, (0, 0))
    if type(a) == int:
        return im
    else:
        c, l = im.size
        imarr = np.asarray(im)
        neim = np.zeros((l, c))
        for i in range(l):
            for j in range(c):
                t = imarr[i, j]
                ts = sum(t)/len(t)
                neim[i, j] = ts
        return neim

def Harris(im):
    neim = imap1(im)
    imarr = np.asarray(neim, dtype=np.float64)
    ix = ndimage.sobel(imarr, 0)
    iy = ndimage.sobel(imarr, 1)
    ix2 = ix * ix
    iy2 = iy * iy
    ixy = ix * iy
    ix2 = ndimage.gaussian_filter(ix2, sigma=2)
    iy2 = ndimage.gaussian_filter(iy2, sigma=2)
    ixy = ndimage.gaussian_filter(ixy, sigma=2)
    c, l = imarr.shape
    result = np.zeros((c, l))
    r = np.zeros((c, l))
    rmax = 0
    for i in range(c):
        print('loking for corner . . .')
        for j in range(l):
            print('test ',j)
            m = np.array([[ix2[i, j], ixy[i, j]], [ixy[i, j], iy2[i, j]]], dtype=np.float64)
            r[i, j] = np.linalg.det(m) - 0.04 * (np.power(np.trace(m), 2))
            if r[i, j] > rmax:
                rmax = r[i, j]
    for i in range(c - 1):
        print(". .")
        for j in range(l - 1):
            print('loking')
            if r[i, j] > 0.01 * rmax and r[i, j] > r[i-1, j-1] and r[i, j] > r[i-1, j+1]\
                                     and r[i, j] > r[i+1, j-1] and r[i, j] > r[i+1, j+1]:
                result[i, j] = 1

    pc, pr = np.where(result == 1)
    plt.plot(pr, pc, 'r+')
    plt.savefig('harris_test.png')
    plt.imshow(im, 'gray')
    plt.show()
    # plt.imsave('harris_test.png', im, 'gray')

im = open('chess.png')
Harris(im)

    InformationsquelleAutor Walid Bousseta

  5. 0

    Gibt es eine Funktion, für die, die in der Computer Vision System Toolbox genannt detectHarrisFeatures.

    InformationsquelleAutor Dima

Schreibe einen Kommentar