图像拐点检测-原理以及代码实现

今天带来的内容只用两个字形容-干货！！首先我们科普下图像识别的常识，图片在电脑看来，其实就是一个矩阵，每个矩阵中的一个值都对应图片的一个像素点。（下图摘自《机器学习实践应用》）

图片中其实是有很多的边以及拐角的，今天要介绍的就是如何通过算法找到图片拐角。

原理

其实找到拐角，很简单，就是在图片矩阵中，通过一个移动的窗口去遍历矩阵中的数值，一旦返现有像素变化明显的地方，那就可能是一个拐点。这个过程就有点像“拿澡巾闭着眼睛从上向下搓澡，当你搓到一个硬硬的东西的时候，你会感觉这个部位跟其它的地方不同，没错，这里就是你的膝盖。”

还是正经一点，看一下数学公式，(x,y)可以理解成是一张图片的横纵坐标，就是人的身体。(u,v)就是窗口函数，就是移动的澡巾。找图片的拐点就跟搓澡去找身体坚硬的地方一样，需要不断游动(u,v)的值，当这个值剧烈变化了，就说明出现了拐点。

最终通过数学方法，可以简化上边的函数式，过程很复杂，大家会意下就好，最终的结果：

R是这样判断的，R=MIN（x',y'），x'表示图片横向的变化趋势，y‘表示图片纵向的变化趋势，这个可以用一张图解释下，

（1）下图左数第一张是y’向变化很小，而x‘向变化大，可以设定为x'>0，y'

（2）中间的一张两个方向都不变，R=0

（3）最右边一张两个方向变化都很大，x'>0，y'>0，R>0

于是，最右边的图是拐角，最左边的是边，中间的什么都不是。

代码

下面就用一段OPENCV的代码实现一下拐点检测，可以通过红点把拐角的地方标出来，给大家一个直观印象。

import numpy as np

import cv2

from matplotlib import pyplot as plt

img = cv2.imread('sample.jpg')

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

corners = cv2.goodFeaturesToTrack(gray,25,0.01,10)

corners = np.int0(corners)

for i in corners:

x,y = i.ravel()

cv2.circle(img,(x,y),3,255,-1)

plt.imshow(img),plt.show()

再跑一个case给大家看看，身边没有拐角特别明显的东西，随手弄了张感觉比较明显的拐角图，恩！

原图：

运行结果：

今天代码写的我快缺氧了，欢迎猛烈转载，良心制作，谢谢！

参考：