窗口大小對openCV中哈里斯角點檢測器的結果有什麼影響

Question

我正在研究使用openCV改變不同參數對哈里斯角點檢測器的錯誤率的影響。輸入參數是窗口大小，sobel運算符的內核大小和k參數的值。我發現，當我增加窗口大小時，每個角落的響應數量似乎有所增加。例如，如果每個包含一個角的窗口都用一個點標記，那麼當我使用7x7窗口而不是2x2窗口時，在標識的角落周圍出現密度較高的點。更改窗口大小似乎也會增加正確識別的角點數量。

我的編碼如下，這是我從this例如有

import cv2 
 
import numpy as np 
 

 
filename = 'resized_image.jpg' 
 
img = cv2.imread(filename) 
 
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) 
 

 
gray = np.float32(gray) 
 
dst = cv2.cornerHarris(gray,7,3,0.015) 
 

 
#result is dilated for marking the corners, not important 
 
dst = cv2.dilate(dst,None) 
 

 
# Threshold for an optimal value, it may vary depending on the image. 
 
img[dst>0.05*dst.max()]=[0,0,255] 
 
cv2.imwrite('corners3.jpg', img) 
 
cv2.imshow('dst',img) 
 
if cv2.waitKey(0) & 0xff == 27: 
 
    cv2.destroyAllWindows()

可能有人請解釋對Harris角點檢測的結果增加了窗口大小的影響。具體爲什麼每個角落的響應數量隨着窗口大小的增加而增加。我的理解是，這個函數計算窗口梯度，並使用sobel運算符執行一些平滑處理，如果這對結果有影響的話。對不起，如果這是一個明顯的問題，但我只是新的計算機視覺。

Answer 1

你是什麼意思的「每角落響應」？在「真實」拐角位置的一般附近看到探測器響應中出現多個峯值簇是很正常的。發生這種情況是因爲響應函數對於自然圖像而言是平滑的 - 畢竟它計算的是衍生物的產物，它放大了原始圖像中的任何「隨機」振盪。哈里斯的所有過濾器都是爲了找到這樣一些地方，這個不平滑的函數強烈地尖峯化，但是即使你對圖像的直覺告訴你他們不應該，峯值也可以彼此接近。爲了解決這個問題，一個明顯的技術是計算「平滑導數」（即Gx * I，而不是Ix，其中G是一個小的高斯內核等），但這有副作用，即一些「弱「角落可能會變得平滑。不管是否使用平滑衍生物，用於解決這個問題並獲得期望的N個「乾淨」角的簡單算法是從響應中選擇通過減少檢測器響應排序的k * N個最強峯值強度（以k表示，在5至10範圍內），然後：

1. 從列表中選擇下一個峯值。
2. 在其位置（x，y）查找Harris探測器響應值H（x，y）。
3. 如果H（x，y）> 0，將它添加到輸出乾淨的角點列表中，然後在（x，y）的一個小的m×m鄰域中將H（u，v）的所有值設置爲0。
4. 否則跳過這個高峯。
5. 如果輸出列表的大小小於N並且還有任何峯值，則轉到1。

「聚類」抑制鄰域的寬度m應該表示您先前的信息，說明「真實」角點應該相距多遠。這種方法顯然假設羣集的「最佳」角落是具有最強哈里斯濾波器響應的角落。

順便說一句，如果你的名字（或谷歌搜索），這通常被稱爲「非局部極大值抑制」。

BTW-2：見this answer的詳細信息，發現爲H響應的所有局部最大值，待再由響應值等來分類