图像处理之Hessian矩阵提取关键点

简介: 一:大致的算法流程 1. 对每个像素点计算图像在X方向Y方向的二阶偏导数,计算图像的XY方向的导数 2. 根据第一步的计算结果,有Hessian Matrix计算D(h) = Ixx*Iyy - Ixy*Ixy 其中Ixx表示X方向的二阶偏导数 Iyy表示Y方向的二阶偏导数 Ixy表XY方向的二阶导数 3.

一:大致的算法流程

1. 对每个像素点计算图像在X方向Y方向的二阶偏导数,计算图像的XY方向的导数

2. 根据第一步的计算结果,有Hessian Matrix计算D(h) = Ixx*Iyy - Ixy*Ixy


其中Ixx表示X方向的二阶偏导数

Iyy表示Y方向的二阶偏导数

Ixy表XY方向的二阶导数

3. 根据第二步计算出来的值使用3×3窗口实现非最大信号压制,

我的做法, 直接给了threshold值,这个其实不很对,真的懒,不想弄啦!

二:导数计算实现

关于一阶与二阶高斯偏导数计算请看这里:

http://blog.csdn.net/jia20003/article/details/16369143

三:程序效果


四:算法代码

package com.gloomyfish.image.harris.corner;

import java.awt.image.BufferedImage;
import java.util.ArrayList;
import java.util.List;

import com.gloomyfish.filter.study.AbstractBufferedImageOp;

public class HessianFeatureDetector extends AbstractBufferedImageOp {
	
	private GaussianDerivativeFilter gdFilter;
	private double minRejectThreshold = 4.1; // (r+1)^2/r
	private List<HessianMatrix> pixelMatrixList;
	
	public HessianFeatureDetector()
	{
		gdFilter = new GaussianDerivativeFilter();
		pixelMatrixList = new ArrayList<HessianMatrix>();
	}
	
	@Override
	public BufferedImage filter(BufferedImage src, BufferedImage dest) {
		int width = src.getWidth();
        int height = src.getHeight();
        initSettings(height, width);
        if ( dest == null )
            dest = createCompatibleDestImage( src, null );

        int[] inPixels = new int[width*height];
        gdFilter.setDirectionType(GaussianDerivativeFilter.XX_DIRECTION);
        BufferedImage bixx = gdFilter.filter(src, null);
        getRGB( bixx, 0, 0, width, height, inPixels );
        extractPixelData(inPixels, GaussianDerivativeFilter.XX_DIRECTION, height, width);
        
        // YY Direction
        gdFilter.setDirectionType(GaussianDerivativeFilter.YY_DIRECTION);
        BufferedImage biyy = gdFilter.filter(src, null);
        getRGB( biyy, 0, 0, width, height, inPixels );
        extractPixelData(inPixels, GaussianDerivativeFilter.YY_DIRECTION, height, width);
        
        // XY Direction
        gdFilter.setDirectionType(GaussianDerivativeFilter.XY_DIRECTION);
        BufferedImage bixy = gdFilter.filter(src, null);
        getRGB( bixy, 0, 0, width, height, inPixels );
        extractPixelData(inPixels, GaussianDerivativeFilter.XY_DIRECTION, height, width);
        
        int[] outPixels = new int[width*height];
        int index = 0;
        for(int row=0; row<height; row++) {
        	int ta = 0, tr = 0, tg = 0, tb = 0;
        	for(int col=0; col<width; col++) {
        		index = row * width + col;
        		ta = 255;
        		HessianMatrix hm = pixelMatrixList.get(index);
        		double[] t = hm.getThreshold();
        		if(t[0] > minRejectThreshold)
        		{
        			tr = 127;
        		}
        		else
        		{
        			tr = 0;
        		}
        		if(t[1] > minRejectThreshold)
        		{
        			tg = 127;
        		}
        		else
        		{
        			tg = 0;
        		}
        		if(t[2] > minRejectThreshold)
        		{
        			tb = 127;
        		}
        		else
        		{
        			tb = 0;
        		}
                outPixels[index] = (ta << 24) | (tr << 16) | (tg << 8) | tb;
        	}
        }

        setRGB( dest, 0, 0, width, height, outPixels );
        return dest;
	}
	
	private void initSettings(int height, int width)
	{
        int index = 0;
        for(int row=0; row<height; row++) {
        	for(int col=0; col<width; col++) {
        		index = row * width + col;
                HessianMatrix matrix = new HessianMatrix();
                pixelMatrixList.add(index, matrix);
        	}
        }
	}
	
	private void extractPixelData(int[] pixels, int type, int height, int width)
	{
        int index = 0;
        for(int row=0; row<height; row++) {
        	int ta = 0, tr = 0, tg = 0, tb = 0;
        	for(int col=0; col<width; col++) {
        		index = row * width + col;
        		ta = (pixels[index] >> 24) & 0xff;
                tr = (pixels[index] >> 16) & 0xff;
                tg = (pixels[index] >> 8) & 0xff;
                tb = pixels[index] & 0xff;
                HessianMatrix matrix = pixelMatrixList.get(index);
                if(type == GaussianDerivativeFilter.XX_DIRECTION)
                {
                	matrix.setXx(new double[]{tr, tg, tb});
                }
                if(type == GaussianDerivativeFilter.YY_DIRECTION)
                {
                	matrix.setYy(new double[]{tr, tg, tb});
                }
                if(type == GaussianDerivativeFilter.XY_DIRECTION)
                {
                	matrix.setXy(new double[]{tr, tg, tb});
                }
        	}
        }
	}

}
转载请注明!

目录
相关文章
|
8月前
|
计算机视觉
RT-DETR改进策略【卷积层】| ICCV-2023 引入Dynamic Snake Convolution动态蛇形卷积,改进ResNetLayer
RT-DETR改进策略【卷积层】| ICCV-2023 引入Dynamic Snake Convolution动态蛇形卷积,改进ResNetLayer
195 15
RT-DETR改进策略【卷积层】| ICCV-2023 引入Dynamic Snake Convolution动态蛇形卷积,改进ResNetLayer
Eigen::Matrix4f 是先旋转还是先平移的顺序
Eigen::Matrix4f 是先旋转还是先平移的顺序
429 0
|
SQL Oracle 关系型数据库
Navicat15安装使用教程全网最细)
Navicat15安装使用教程全网最细)
428 1
Navicat15安装使用教程全网最细)
|
Prometheus Cloud Native 调度
Sentinel 新版本发布,提升配置灵活性以及可观测配套
Sentinel 新版本发布,提升配置灵活性以及可观测配套
1432 106
|
存储 安全 物联网
未来已来:探索新兴技术的发展趋势与应用前景
【8月更文挑战第14天】随着科技的飞速发展,新兴技术如区块链、物联网和虚拟现实等正在逐渐改变我们的生活和工作方式。本文将深入探讨这些技术的发展现状和未来趋势,以及它们在不同领域的应用场景。我们将从技术创新的角度出发,分析这些技术如何推动社会进步,并讨论它们面临的挑战和机遇。通过对未来技术趋势的预测,我们可以更好地准备迎接即将到来的变革。
283 0
|
程序员
汇编语言中的不等条件跳转(jne/jnz)
汇编语言中的不等条件跳转(jne/jnz)
1024 0
|
分布式计算 资源调度 Hadoop
Hadoop常见错误及解决方案、Permission denied: user=dr.who, access=WRITE, inode=“/“:summer:supergroup:drwxr-xr-x
Hadoop常见错误及解决方案、Permission denied: user=dr.who, access=WRITE, inode=“/“:summer:supergroup:drwxr-xr-x
Hadoop常见错误及解决方案、Permission denied: user=dr.who, access=WRITE, inode=“/“:summer:supergroup:drwxr-xr-x
|
安全 Ubuntu Linux
Linux远程访问Windows实现步骤
在Windows上启用远程桌面连接并获取IP地址后,Linux用户需安装SSH客户端( Debian系:`sudo apt-get update; sudo apt-get install openssh-client`,RPM系:`sudo yum install openssh-clients`)。然后使用命令`ssh 用户名@Windows_IP地址`连接,其中`用户名`和`Windows_IP地址`按实际情况填写。
259 4
Qt实用技巧:对QPushButton(等类似透明有黑色背景的QWidget实现透明/半透明的方法
Qt实用技巧:对QPushButton(等类似透明有黑色背景的QWidget实现透明/半透明的方法
Qt实用技巧:对QPushButton(等类似透明有黑色背景的QWidget实现透明/半透明的方法
|
人工智能 弹性计算 Kubernetes
【假期 AI 充电】揭秘大语言模型实践:分布式推理的工程化落地才是关键!
【假期 AI 充电】揭秘大语言模型实践:分布式推理的工程化落地才是关键!
10085 34
【假期 AI 充电】揭秘大语言模型实践:分布式推理的工程化落地才是关键!