Чтобы начать создавать атрибут, откройте исходный файл C#, тип attribute
и совершите нападки [ВКЛАДКА]. Это расширится до шаблона для нового атрибута.
Это несколько похоже на то, что предлагал @AndyL . Однако я использую граничную сигнатуру в полярных координатах вместо касательной.
Обратите внимание, что я начинаю с извлечения краев, получения границы, а затем преобразования ее в сигнатуру. Наконец, мы находим точки на границе, наиболее удаленные от центроида, эти точки составляют найденные углы. (В качестве альтернативы мы также можем обнаружить пики в сигнатуре углов.)
Ниже приводится полная реализация:
I = imread('oxyjj.png');
if ndims(I)==3
I = rgb2gray(I);
end
subplot(221), imshow(I), title('org')
%%# Process Image
%# edge detection
BW = edge(I, 'sobel');
subplot(222), imshow(BW), title('edge')
%# dilation-erosion
se = strel('disk', 2);
BW = imdilate(BW,se);
BW = imerode(BW,se);
subplot(223), imshow(BW), title('dilation-erosion')
%# fill holes
BW = imfill(BW, 'holes');
subplot(224), imshow(BW), title('fill')
%# get boundary
B = bwboundaries(BW, 8, 'noholes');
B = B{1};
%%# boudary signature
%# convert boundary from cartesian to ploar coordinates
objB = bsxfun(@minus, B, mean(B));
[theta, rho] = cart2pol(objB(:,2), objB(:,1));
%# find corners
%#corners = find( diff(diff(rho)>0) < 0 ); %# find peaks
[~,order] = sort(rho, 'descend');
corners = order(1:10);
%# plot boundary signature + corners
figure, plot(theta, rho, '.'), hold on
plot(theta(corners), rho(corners), 'ro'), hold off
xlim([-pi pi]), title('Boundary Signature'), xlabel('\theta'), ylabel('\rho')
%# plot image + corners
figure, imshow(BW), hold on
plot(B(corners,2), B(corners,1), 's', 'MarkerSize',10, 'MarkerFaceColor','r')
hold off, title('Corners')
РЕДАКТИРОВАТЬ: В ответ на комментарий Джейкоба я должен объяснить, что сначала я попытался найти пики в сигнатуре, используя первую / вторую производные, но в итоге взял самые дальние N точек. 10 было просто специальным значением, и его было бы трудно обобщить (я попытался взять 4 как количество углов, но оно не охватывало их все). Я думаю, что идея их кластеризации для удаления дубликатов заслуживает внимания.
Насколько я понимаю, проблема с 1-м подходом заключалась в том, что если вы построите rho
, не взяв θ
, вы получите другую форму (не одинаковые пики), поскольку скорость , с которой мы отслеживаем границу, разная и зависит от кривизны. Если бы мы могли выяснить, как нормализовать этот эффект, мы могли бы получить более точные результаты, используя производные.
Мне нравится решать эту проблему, работая с границей, потому что это сокращает ее от двумерной задачи до одномерной.
Используйте bwtraceboundary ()
из набор инструментов обработки изображений для извлечения списка точек на границе. Затем преобразуйте границу в серию касательных векторов (есть несколько способов сделать это, один из них - вычесть
i
-я точка вдоль границы от i + delta
-й точки.) Когда у вас есть список векторов, возьмите скалярное произведение смежных векторов. Четыре точки с наименьшими скалярными произведениями - это ваши углы!
Если вы хотите, чтобы ваш алгоритм работал с полигонами с ограниченным числом вершин, просто ищите скалярные произведения, которые на определенное количество стандартных отклонений ниже среднего скалярного произведения .
I decided to use a Harris corner detector (here's a more formal description) to obtain the corners. This can be implemented as follows:
%% Constants
Window = 3;
Sigma = 2;
K = 0.05;
nCorners = 4;
%% Derivative masks
dx = [-1 0 1; -1 0 1; -1 0 1];
dy = dx'; %SO code color fix '
%% Find the image gradient
% Mask is the binary image of the quadrilateral
Ix = conv2(double(Mask),dx,'same');
Iy = conv2(double(Mask),dy,'same');
%% Use a gaussian windowing function and compute the rest
Gaussian = fspecial('gaussian',Window,Sigma);
Ix2 = conv2(Ix.^2, Gaussian, 'same');
Iy2 = conv2(Iy.^2, Gaussian, 'same');
Ixy = conv2(Ix.*Iy, Gaussian, 'same');
%% Find the corners
CornerStrength = (Ix2.*Iy2 - Ixy.^2) - K*(Ix2 + Iy2).^2;
[val ind] = sort(CornerStrength(:),'descend');
[Ci Cj] = ind2sub(size(CornerStrength),ind(1:nCorners));
%% Display
imshow(Mask,[]);
hold on;
plot(Cj,Ci,'r*');
Here, the problem with multiple corners thanks to Gaussian windowing function which smooths the intensity change. Below, is a zoomed version of a corner with the hot
colormap.
Если у вас есть Image Processing Toolbox , есть функция, называемая cornermetric
, которая может реализовать угловой детектор Харриса или метод минимальных собственных значений Ши и Томази. . Эта функция присутствует с версии 6.2 Toolbox для обработки изображений (MATLAB версия R2008b).
Используя эту функцию, я придумал подход, немного отличающийся от других ответов. Приведенное ниже решение основано на идее, что круглая область с центром в каждой "истинной" угловой точке будет перекрывать многоугольник на меньшую величину, чем круглая область с центром на ошибочной угловой точке, которая фактически находится на краю. Это решение также может обрабатывать случаи, когда несколько точек обнаруживаются в одном углу ...
Первым шагом является загрузка данных:
rawImage = imread('oxyjj.png');
rawImage = rgb2gray(rawImage(7:473, 9:688, :)); % Remove the gray border
subplot(2, 2, 1);
imshow(rawImage);
title('Raw image');
Затем, вычислить угловую метрику с помощью угловой метрики
. Обратите внимание, что я маскирую угловую метрику исходным многоугольником, так что мы ищем угловые точки, которые находятся внутри многоугольника (т.е. пытаемся найти угловые пиксели многоугольника). Затем imregionalmax
используется для нахождения локальных максимумов. Поскольку у вас могут быть кластеры размером более 1 пикселя с одинаковой угловой метрикой, я затем добавляю шум к максимумам и пересчитываю, чтобы получить только 1 пиксель в каждой максимальной области. Затем каждая максимальная область помечается с помощью bwlabel
:
cornerImage = cornermetric(rawImage).*(rawImage > 0);
maxImage = imregionalmax(cornerImage);
noise = rand(nnz(maxImage), 1);
cornerImage(maxImage) = cornerImage(maxImage)+noise;
maxImage = imregionalmax(cornerImage);
labeledImage = bwlabel(maxImage);
Помеченные области затем расширяются (с помощью imdilate
) дискообразным структурирующим элементом (созданным с помощью strel
]):
diskSize = 5;
dilatedImage = imdilate(labeledImage, strel('disk', diskSize));
subplot(2, 2, 2);
imshow(dilatedImage);
title('Dilated corner points');
Теперь, когда отмеченные угловые области были расширены, они будут частично перекрывать исходный многоугольник. Области на краю многоугольника будут перекрываться примерно на 50%, в то время как области, расположенные на углу, будут перекрываться примерно на 25%. Функцию regionprops
можно использовать для нахождения областей перекрытия для каждой помеченной области, и, таким образом, 4 области, которые имеют наименьшее перекрытие, можно рассматривать как истинные углы:
maskImage = dilatedImage.*(rawImage > 0); % Overlap with the polygon
stats = regionprops(maskImage, 'Area'); % Compute the areas
[sortedValues, index] = sort([stats.Area]); % Sort in ascending order
cornerLabels = index(1:4); % The 4 smallest region labels
maskImage = ismember(maskImage, cornerLabels); % Mask of the 4 smallest regions
subplot(2, 2, 3);
imshow(maskImage);
title('Regions of minimal overlap');
И теперь мы можем получить пиксельные координаты углов с помощью find
и ismember
:
[r, c] = find(ismember(labeledImage, cornerLabels));
subplot(2, 2, 4);
imshow(rawImage);
hold on;
plot(c, r, 'r+', 'MarkerSize', 16, 'LineWidth', 2);
title('Corner points');
А вот тест с областью в форме ромба:
Вот пример, использующий Ruby и HornetsEye. По сути, программа создает гистограмму квантованного градиента Собеля для поиска доминирующих ориентаций. Если найдены четыре доминирующие ориентации, то линии подгоняются и пересечения между соседними линиями принимаются за углы проектируемого прямоугольника.
#!/usr/bin/env ruby
require 'hornetseye'
include Hornetseye
Q = 36
img = MultiArray.load_ubyte 'http://imgur.com/oxyjj.png'
dx, dy = 8, 6
box = [ dx ... 688, dy ... 473 ]
crop = img[ *box ]
crop.show
s0, s1 = crop.sobel( 0 ), crop.sobel( 1 )
mag = Math.sqrt s0 ** 2 + s1 ** 2
mag.normalise.show
arg = Math.atan2 s1, s0
msk = mag >= 500
arg_q = ( ( arg.mask( msk ) / Math::PI + 1 ) * Q / 2 ).to_int % Q
hist = arg_q.hist_weighted Q, mag.mask( msk )
segments = ( hist >= hist.max / 4 ).components
lines = arg_q.map segments
lines.unmask( msk ).normalise.show
if segments.max == 4
pos = MultiArray.scomplex *crop.shape
pos.real = MultiArray.int( *crop.shape ).indgen! % crop.shape[0]
pos.imag = MultiArray.int( *crop.shape ).indgen! / crop.shape[0]
weights = lines.hist( 5 ).major 1.0
centre = lines.hist_weighted( 5, pos.mask( msk ) ) / weights
vector = pos.mask( msk ) - lines.map( centre )
orientation = lines.hist_weighted( 5, vector ** 2 ) ** 0.5
corner = Sequence[ *( 0 ... 4 ).collect do |i|
i1, i2 = i + 1, ( i + 1 ) % 4 + 1
l1, a1, l2, a2 = centre[i1], orientation[i1], centre[i2], orientation[i2]
( l1 * a1.conj * a2 - l2 * a1 * a2.conj -
l1.conj * a1 * a2 + l2.conj * a1 * a2 ) /
( a1.conj * a2 - a1 * a2.conj )
end ]
result = MultiArray.ubytergb( *img.shape ).fill! 128
result[ *box ] = crop
corner.to_a.each do |c|
result[ c.real.to_i + dx - 1 .. c.real.to_i + dx + 1,
c.imag.to_i + dy - 1 .. c.imag.to_i + dy + 1 ] = RGB 255, 0, 0
end
result.show
end