更新時(shí)間:2021-07-27 來(lái)源:黑馬程序員 瀏覽量:
我們前面已經(jīng)介紹過(guò)幾個(gè)特征檢測(cè)器,它們的效果都很好,特別是SIFT和SURF算法,但是從實(shí)時(shí)處理的角度來(lái)看,效率還是太低了。為了解決這個(gè)問題,Edward Rosten和Tom Drummond在2006年提出了FAST算法,并在2010年對(duì)其進(jìn)行了修正。
FAST (全稱Features from accelerated segment test)是一種用于角點(diǎn)檢測(cè)的算法,該算法的原理是取圖像中檢測(cè)點(diǎn),以該點(diǎn)為圓心的周圍鄰域內(nèi)像素點(diǎn)判斷檢測(cè)點(diǎn)是否為角點(diǎn),通俗的講就是若一個(gè)像素周圍有一定數(shù)量的像素與該點(diǎn)像素值不同,則認(rèn)為其為角點(diǎn)。
在圖像中選取一個(gè)像素點(diǎn) p,來(lái)判斷它是不是關(guān)鍵點(diǎn)。$$I_p$$等于像素點(diǎn) p的灰度值。
以r為半徑畫圓,覆蓋p點(diǎn)周圍的M個(gè)像素,通常情狂下,設(shè)置 r=3,則 M=16,如下圖所示:
設(shè)置一個(gè)閾值t,如果在這 16 個(gè)像素點(diǎn)中存在 n 個(gè)連續(xù)像素點(diǎn)的灰度值都高于$$I_p + t$$,或者低于$$I_p - t$$,那么像素點(diǎn) p 就被認(rèn)為是一個(gè)角點(diǎn)。如上圖中的虛線所示,n 一般取值為 12。
由于在檢測(cè)特征點(diǎn)時(shí)是需要對(duì)圖像中所有的像素點(diǎn)進(jìn)行檢測(cè),然而圖像中的絕大多數(shù)點(diǎn)都不是特征點(diǎn),如果對(duì)每個(gè)像素點(diǎn)都進(jìn)行上述的檢測(cè)過(guò)程,那顯然會(huì)浪費(fèi)許多時(shí)間,因此采用一種進(jìn)行非特征點(diǎn)判別的方法:首先對(duì)候選點(diǎn)的周圍每個(gè) 90 度的點(diǎn):1,9,5,13 進(jìn)行測(cè)試(先測(cè)試 1 和 19, 如果它們符合閾值要求再測(cè)試 5 和 13)。如果 p 是角點(diǎn),那么這四個(gè)點(diǎn)中至少有 3 個(gè)要符合閾值要求,否則直接剔除。對(duì)保留下來(lái)的點(diǎn)再繼續(xù)進(jìn)行測(cè)試(是否有 12 的點(diǎn)符合閾值要求)。
雖然這個(gè)檢測(cè)器的效率很高,但它有以下幾條缺點(diǎn):
·獲得的候選點(diǎn)比較多
·特征點(diǎn)的選取不是最優(yōu)的,因?yàn)樗男ЧQ與要解決的問題和角點(diǎn)的分布情況。
·進(jìn)行非特征點(diǎn)判別時(shí)大量的點(diǎn)被丟棄
·檢測(cè)到的很多特征點(diǎn)都是相鄰的
前 3 個(gè)問題可以通過(guò)機(jī)器學(xué)習(xí)的方法解決,最后一個(gè)問題可以使用非最大值抑制的方法解決。
選擇一組訓(xùn)練圖片(最好是跟最后應(yīng)用相關(guān)的圖片)
使用 FAST 算法找出每幅圖像的特征點(diǎn),對(duì)圖像中的每一個(gè)特征點(diǎn),將其周圍的 16 個(gè)像素存儲(chǔ)構(gòu)成一個(gè)向量P。
每一個(gè)特征點(diǎn)的 16 像素點(diǎn)都屬于下列三類中的一種
根據(jù)這些像素點(diǎn)的分類,特征向量 P 也被分為 3 個(gè)子集:Pd ,Ps ,Pb,
定義一個(gè)新的布爾變量$$K_p$$,如果 p 是角點(diǎn)就設(shè)置為 Ture,如果不是就設(shè)置為 False。
利用特征值向量p,目標(biāo)值是$K_p$,訓(xùn)練ID3 樹(決策樹分類器)。
將構(gòu)建好的決策樹運(yùn)用于其他圖像的快速的檢測(cè)。
在篩選出來(lái)的候選角點(diǎn)中有很多是緊挨在一起的,需要通過(guò)非極大值抑制來(lái)消除這種影響。
為所有的候選角點(diǎn)都確定一個(gè)打分函數(shù)$$V $$ , $$V $$的值可這樣計(jì)算:先分別計(jì)算$$I_p$$與圓上16個(gè)點(diǎn)的像素值差值,取絕對(duì)值,再將這16個(gè)絕對(duì)值相加,就得到了$$V $$的值
最后比較毗鄰候選角點(diǎn)的 V 值,把V值較小的候選角點(diǎn)pass掉。
FAST算法的思想與我們對(duì)角點(diǎn)的直觀認(rèn)識(shí)非常接近,化繁為簡(jiǎn)。FAST算法比其它角點(diǎn)的檢測(cè)算法快,但是在噪聲較高時(shí)不夠穩(wěn)定,這需要設(shè)置合適的閾值。
OpenCV中的FAST檢測(cè)算法是用傳統(tǒng)方法實(shí)現(xiàn)的,
1.實(shí)例化fast
fast = =cv.FastFeatureDetector_create( threshold, nonmaxSuppression)
參數(shù):
·threshold:閾值t,有默認(rèn)值10
·nonmaxSuppression:是否進(jìn)行非極大值抑制,默認(rèn)值True
返回:
Fast:創(chuàng)建的FastFeatureDetector對(duì)象
2.利用fast.detect檢測(cè)關(guān)鍵點(diǎn),沒有對(duì)應(yīng)的關(guān)鍵點(diǎn)描述
kp = fast.detect(grayImg, None)
參數(shù):
gray: 進(jìn)行關(guān)鍵點(diǎn)檢測(cè)的圖像,注意是灰度圖像
返回:
kp: 關(guān)鍵點(diǎn)信息,包括位置,尺度,方向信息
3.將關(guān)鍵點(diǎn)檢測(cè)結(jié)果繪制在圖像上,與在sift中是一樣的
cv.drawKeypoints(image, keypoints, outputimage, color, flags)
示例:
import numpy as np import cv2 as cv from matplotlib import pyplot as plt # 1 讀取圖像 img = cv.imread('./image/tv.jpg') # 2 Fast角點(diǎn)檢測(cè) # 2.1 創(chuàng)建一個(gè)Fast對(duì)象,傳入閾值,注意:可以處理彩色空間圖像 fast = cv.FastFeatureDetector_create(threshold=30) # 2.2 檢測(cè)圖像上的關(guān)鍵點(diǎn) kp = fast.detect(img,None) # 2.3 在圖像上繪制關(guān)鍵點(diǎn) img2 = cv.drawKeypoints(img, kp, None, color=(0,0,255)) # 2.4 輸出默認(rèn)參數(shù) print( "Threshold: {}".format(fast.getThreshold()) ) print( "nonmaxSuppression:{}".format(fast.getNonmaxSuppression()) ) print( "neighborhood: {}".format(fast.getType()) ) print( "Total Keypoints with nonmaxSuppression: {}".format(len(kp)) ) # 2.5 關(guān)閉非極大值抑制 fast.setNonmaxSuppression(0) kp = fast.detect(img,None) print( "Total Keypoints without nonmaxSuppression: {}".format(len(kp)) ) # 2.6 繪制為進(jìn)行非極大值抑制的結(jié)果 img3 = cv.drawKeypoints(img, kp, None, color=(0,0,255)) # 3 繪制圖像 fig,axes=plt.subplots(nrows=1,ncols=2,figsize=(10,8),dpi=100) axes[0].imshow(img2[:,:,::-1]) axes[0].set_title("加入非極大值抑制") axes[1].imshow(img3[:,:,::-1]) axes[1].set_title("未加入非極大值抑制") plt.show()
結(jié)果:
《圖像處理OpenCV入門教程》課程導(dǎo)讀
加QQ:2217622915,獲取《圖像處理OpenCV入門教程》全套視頻教程+筆記+源碼。
猜你喜歡: