网站建设的公司排名如何注册企业邮箱免费

当前位置： 首页 > news >正文

网站建设的公司排名,如何注册企业邮箱免费,中公it培训机构怎么样,网站版式类型Harris角点 opencv函数 cornerHarris提取输入图像的Harris角点 检测原理 检测思想#xff1a;使用一个固定窗口在图像上进行任意方向的滑动#xff0c;对比滑动前后的窗口中的像素灰度变化程度#xff0c;如果存在任意方向上的滑动#xff0c;都有较大灰度变化#xf…Harris角点 opencv函数 cornerHarris提取输入图像的Harris角点 检测原理 检测思想使用一个固定窗口在图像上进行任意方向的滑动对比滑动前后的窗口中的像素灰度变化程度如果存在任意方向上的滑动都有较大灰度变化则认为该窗口中存在角点。 E(u,v)∑(x,y)∈Ww(x,y)[I(xu,yv)−I(x,y)]2E(u, v)\sum{(x, y) \in W} w(x, y)[I(xu, yv)-I(x, y)]^{2}E(u,v)∑(x,y)∈W​w(x,y)[I(xu,yv)−I(x,y)]2 当窗口滑动时滑动前后对应的窗口中的像素点灰度变化为E(u,v)E(u, v)E(u,v) 对E(u,v)E(u, v)E(u,v)进行泰勒展开对公式进行化简最终得到 E(u,v)[uv]M[uv]E(u, v)\left[\begin{array}{ll}u v\end{array}\right] M\left[\begin{array}{l}u \ v\end{array}\right]E(u,v)[u​v​]M[uv​] 其中M为 M∑(x,y)∈Ww(x,y)[Ix2IxIyIxIyIy2]M \sum{(x, y) \in W} w(x, y)\left[\begin{array}{cc}I{x}^{2} I{x} I y \I{x} I{y} I_{y}^{2}\end{array}\right]M∑(x,y)∈W​w(x,y)[Ix2​Ix​Iy​​Ix​IyIy2​​] IxIxIx​为图像在x方向的梯度y方向同理。 如果M没有梯度变化较大的点则当前没有角点或边缘点。如果M只在一个方向上有梯度变化很大的点则当前可能只有边缘点。若M在xy方向上均变换很大则当前框内有角点。 角点相应得分 Rdet⁡(M)−k(trace⁡(M))2R\operatorname{det}(M)-k(\operatorname{trace}(M))^{2}Rdet(M)−k(trace(M))2 其中 det⁡(M)λ1λ2\operatorname{det}(M)\lambda{1} \lambda{2}det(M)λ1​λ2​ trace⁡(M)λ1λ2\operatorname{trace}(M)\lambda{1}\lambda{2}trace(M)λ1​λ2​ kkk在0.04到0.06之间。λ1λ2\lambda{1} \lambda_{2}λ1​λ2​为MMM的两个特征值。 Harris角点性质 增大K值可以降低角点检测的灵敏度减少被检测角点的数量Harris角点对亮度和对比度变化不灵敏Harris角点具有旋转不变性Harris角点不具有尺度不变性 FAST角点 opencv函数 fast cv.FastFeatureDetector_create(thresholdnonmaxSuppression) kp fast.detect(Img, None) cv.drawKeypoints (imagekeypointsoutputimagecolorflags)检测原理 取图像中的检测点以该点为圆心的周围邻域内像素点判断检测点是否为角点。如果圆上有连续N个点的亮度大于或者小于阈值如选取检测点的亮度的120%或80%则认为该检测点为特征点。根据N的取值分为FAST-9FAST-12等。 FAST加速方法 在FAST-12中可以检测圆上第1、5、9、13的像素的亮度如果这四个像素中有三个同时大于或小于阈值则该检测点才有可能是特征点否则直接排除。 非极大值抑制 FAST角点会出现扎堆的现象因此在第一遍检查过后还要使用非极大值抑制在一定区域内仅保留响应极大值的角点避免角点集中的问题。 FAST特征点性质 FAST特征点不具有方向信息和尺度信息。所以ORB在FAST基础上添加了图像金字塔解决尺度问题添加灰度质心法解决特征的旋转问题。 SIFT特征点 src cv.imread(123.png) cv.namedWindow(input, cv.WINDOW_AUTOSIZE) cv.imshow(input, src) sift cv.xfeatures2d.SIFT_create() kps sift.detect(src) result cv.drawKeypoints(src, kps, None, (0, 0, 255), cv.DrawMatchesFlags_DEFAULT) cv.imshow(sift-detector, result)SIFT原理 大致来说就是将图像进行多次下采样构建出图像金字塔。
但是每层金字塔不止一张图像而是类似于下面的一组图像。
原理是使用一个变化尺度的高斯函数与原图像进行卷积 L(x,y,σ)G(x,y,σ)∗I(x,y)L(x, y, \sigma)G(x, y, \sigma) * I(x, y)L(x,y,σ)G(x,y,σ)∗I(x,y) 其中高斯函数为 G(x,y,σ)12πσ2e−(x−m/2)2(y−n/2)22σ2G(x, y, \sigma)\frac{1}{2 \pi \sigma^{2}} e^{-\frac{(x-m / 2)^{2}(y-n / 2)^{2}}{2 \sigma^{2}}}G(x,y,σ)2πσ21​e−2σ2(x−m/2)2(y−n/2)2​ 然后
画叉的特征点需要和本层的8个点外加上下两层的9个点共26个点比较若为最大值或最小值则认为该点是初步判断的一个特征点。 关键点剔除工作 因为我们得到的特征点可能并不是真正的极值点因此我们将得到离散空间点进行拟合求出真正的极值点。
我们将检测得到的特征点反复的向计算出的极值点的方向进行偏移实际是导数为0的方向排除掉超出设定的迭代次数依然不能收敛的特征点和超出图像边界的特征点。同时也要排除数值小于某个经验值的特征点如小于0.03或0.04因为这种数值小的点容易收到噪声的干扰。 这步完成后我们还需要去掉边缘点。我们初步检测出来的特征点有很多都是在边缘处因为边缘点有较大的响应但是这种响应也只发生在一个方向因此采用了类似于Harris角点的检测方法求出该检测点在两个方向的Hession矩阵计算Hession矩阵的特征值如果两个特征值的和的平方除以两特征值的积小于设定的阈值如1.2则认为该点并不是边缘点保留。
主方向分配 简单点说就是求出特征点的所有邻域梯度的方向然后统计一下哪种方向最大则认为该特征点的梯度方向再选一个大于主梯度80%的方向作为辅方向增加鲁棒性。 描述子 在关键点的44的窗口中计算分别计算八个方向的梯度作为该特征点的描述子维度为44*8128维 检测匹配方法 Kd平衡二叉树查找与目标图像的特征点最邻近的原图像特征点和次邻近的原图像特征点 SIFT特征点性质 检测非常稳定应用广泛计算量大很难做到实时 SURF特征点 opencv函数 img cv.imread(photo.png,0) surf cv.xfeatures2d.SURFcreate(400) kp, des surf.detectAndCompute(img,None) len(kp)检测原理类比SIFT Hessian矩阵近似 给定图像中一点可以确定如下的Hessian矩阵 H(x,y,σ)(LxxLxyLxyLyy)H(x, y, \sigma)\left(\begin{array}{ll} L{x x} L{x y} \ L{x y} L{y y} \end{array}\right)H(x,y,σ)(Lxx​Lxy​​Lxy​Lyy​​) 其中σ\sigmaσ为尺度大小 计算Hessian矩阵的行列式值DoH为 det⁡HLxxLyy−Lxy2\operatorname{det} HL{x x} L{y y}-L{x y}^{2}detHLxx​Lyy​−Lxy2​ 因为此处是对Hessian矩阵进行处理所以会自动过滤掉边缘点。 检测时选择不同大小的σ\sigmaσ生成不同的高斯卷积模版同样生成图像金字塔然后在不同位置空间和尺度空间搜索DoH的峰值同样是26个点并进行非极大值抑制得到图像的极值点。 实际运用中对高斯滤波和行列式的计算进行了简化 与SIFT特征点不同的 SURF并没有通过降采样的方式得到不同尺寸大小的图像建立金字塔而是借助于不同的σ\sigmaσ构造金字塔。特征点的主方向SIFT在方形邻域窗口内统计梯度方向直方图而SURF在圆形区域内计算各个扇形范围内的方向取响应累加和最大的扇形方向。特征描述子SIFT将关键点附近的邻域划分成4*4的区域统计每个子区域的梯度方向直方图统计成128维特征向量。SURF将20乘20像素点的邻域划分成4乘4个子块计算每个子块的Haar小波响应并统计4个特征量得到4乘4乘464维度的特征向量。 BRIEF描述子 描述子原理 BRIEF是一种二进制的描述子其描述向量是0和1表示的二进制串。0和1表示特征点邻域内两个像素p和q灰度值的大小如果p比q大则选择1反正就取0。在特征点的周围选择128对这样的p和q的像素对就得到了128维由01组成的向量。 BRIEF使用随机选点的比较速度很快而且使用二进制串表示最终生成的描述子向量在存储以及用于匹配的比较时都是非常方便的其和FAST的搭配起来可以组成非常快速的特征点提取和描述算法。 ORB特征点提取opencv特征点与匹配 源代码来源 import cv2 as cvdef ORB_Feature(img1, img2):# 初始化ORBorb cv.ORB_create()# 寻找关键点kp1 orb.detect(img1)kp2 orb.detect(img2)# 计算描述符kp1, des1 orb.compute(img1, kp1)kp2, des2 orb.compute(img2, kp2)# 画出关键点outimg1 cv.drawKeypoints(img1, keypointskp1, outImageNone)outimg2 cv.drawKeypoints(img2, keypointskp2, outImageNone)# 显示关键点# import numpy as np# outimg3 np.hstack([outimg1, outimg2])# cv.imshow(Key Points, outimg3)# cv.waitKey(0)# 初始化 BFMatcherbf cv.BFMatcher(cv.NORM_HAMMING)# 对描述子进行匹配matches bf.match(des1, des2)# 计算最大距离和最小距离min_distance matches[0].distancemax_distance matches[0].distancefor x in matches:if x.distance min_distance:min_distance x.distanceif x.distance max_distance:max_distance x.distance# 筛选匹配点当描述子之间的距离大于两倍的最小距离时认为匹配有误。但有时候最小距离会非常小所以设置一个经验值30作为下限。good_match []for x in matches:if x.distance max(2 * min_distance, 30):good_match.append(x)# 绘制匹配结果draw_match(img1, img2, kp1, kp2, good_match)def draw_match(img1, img2, kp1, kp2, match):outimage cv.drawMatches(img1, kp1, img2, kp2, match, outImgNone)cv.imshow(Match Result, outimage)cv.waitKey(0)if name main:# 读取图片image1 cv.imread(1.png)image2 cv.imread(2.png)ORB_Feature(image1, image2)VINS前端光流法 vins-mono前端流程
光流追踪基于灰度不变假设以上一帧的特征点坐标为起点在当前帧的同样的坐标下以一定范围找到与上一帧特征点附近区域灰度值相近的区域。 图像金字塔vins中把上一层图像金字塔追踪的结果作为下一帧图像金字塔追踪的初值。保证了像素精度又保证了追踪结果在还原时的准确度。