安博电竞

边缘检测与角点检测（模式识别与图像处理课程作业）

• 一、边缘边缘检测
• • 1.1、检测角点检测读取图像
  • 1.2 、模式图像转换成灰度图像
  • 1.3、识别Sobel算子
  • 1.4  、图像Canny算子
  • 1.5、处理显示正常中文的课程标签
  • 1.6、边缘检测结果
• 二、作业角点检测
• • 2.1  、边缘读取图像
  • 2.2、检测角点检测图像转换成灰度图像
  • 2.3、模式Harris算子
  • 2.4
    、识别设置阈值
  • 2.5 、图像Susan算子
  • 2.6
    、处理图像转换成灰度图像
  • 2.7、课程调用susan角点检测算法
  • 2.8、调用img_revise()非极大值抑制修正
  • 2.9、显示正常中文的标签
  • 2.10、角点检测结果

一 、边缘检测

Sobel与Canny边缘检测代码如下所示

import cv2 as cvimport matplotlib.pyplot as plt

1.1、读取图像

读取图像的代码如下所示

# 读取图像img = cv.imread('Lena.jpg')lenna_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

1.2、图像转换成灰度图像

图像转换成灰度图像的代码如下所示

# 图像转换成灰度图像grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

1.3、Sobel算子

Sobel算子的代码如下所示

'''Sobel算子'''x = cv.Sobel(grayImage, cv.CV_16S, 1, 0)     # 对x求一阶导数y = cv.Sobel(grayImage, cv.CV_16S, 0, 1)    # 对y求一阶导数absX = cv.convertScaleAbs(x)absY = cv.convertScaleAbs(y)Sobel = cv.addWeighted(absX, 0.5, absY, 0.5, 0)

1.4、Canny算子

Canny算子的代码如下所示

'''Canny算子'''# 高斯滤波降噪gaussian = cv.GaussianBlur(grayImage, (3, 3), 0)# Canny算子Canny = cv.Canny(gaussian, 50, 100)

1.5、显示正常中文的标签

显示正常中文的标签的代码如下所示

# 显示正常中文的标签plt.rcParams['font.sans-serif'] = ['SimHei']titles = [u'(a)原始图像', u'(b)Sobel图像', u'(c)Canny图像']images = [lenna_img, Sobel, Canny]for i in range(3):plt.subplot(1, 3, i + 1), plt.imshow(images[i], 'gray')plt.title(titles[i])plt.xticks([]), plt.yticks([])plt.show()

1.6、边缘检测结果

边缘检测运行结果结果如下所示

Sobel与Canny边缘检测的优缺点

1. sobel：

• 1
  、sobel优点：输出图像(数组)的元素通常具有更大的绝对数值 。
• 2 、sobel缺点：由于边缘是位置的标志，对灰度的变化不敏感 。

2. canny：

• 1 、canny优点：法能够尽可能多地标识出图像中的实际边缘；标识出的边缘要与实际图像中的实际边缘尽可能接近 。
• 2
  、canny缺点：图像中的边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘。

二
、角点检测

Susan与Harris角点检测代码如下所示

import cv2 as cvimport numpy as npimport matplotlib.pyplot as plt

2.1
、读取图像

读取图像的代码如下所示

# 读取图像img = cv.imread('Lena.jpg')lenna_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

2.2 、图像转换成灰度图像

图像转换成灰度图像的代码如下所示

# 图像转换成灰度图像grayImage = cv.cvtColor(img, cv.COLOR_BGR2GRAY)grayImage = np.float32(grayImage)

2.3  、Harris算子

Harris算子的代码如下所示

'''Harris算子'''harrisImage = cv.cornerHarris(grayImage, 2, 3, 0.04)harrisImage = cv.dilate(harrisImage, None)

2.4
、设置阈值

设置阈值的代码如下所示

# 设置阈值thresImage = 0.006 * harrisImage.max()img[harrisImage > thresImage] = [255, 0, 0]

2.5 
、Susan算子

Susan算子的代码如下所示

'''Susan算子'''def img_extraction(image):"""img_extraction 函数利用susan角点检测算法，对图像进行处理"""print("最小灰度值，%d" % image.min())print("最大灰度值，%d" % image.max())threshold_value = (int(image.max())-int(image.min())) / 10print("初始阈值为： %d" % threshold_value)offsetX = [-1, 0, 1,-2, -1, 0, 1, 2,-3, -2, -1, 0, 1, 2, 3,-3, -2, -1, 0, 1, 2, 3,-3, -2, -1, 0, 1, 2, 3,-2, -1, 0, 1, 2,-1, 0, 1]offsetY = [-3, -3, -3,-2, -2, -2, -2, -2,-1, -1, -1, -1, -1, -1, -1,0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1,2, 2, 2, 2, 2,3, 3, 3]for i in range(3, image.shape[0] - 3):     # 利用圆形模板遍历图像，计算每点处的USAN值for j in range(3, image.shape[1] - 3):same = 0for k in range(0, 37):if abs(int(image[i + int(offsetY[k]), j + int(offsetX[k]), 0]) - int(image[i, j, 0])) < threshold_value:             # 计算相似度same += 1if same < 18:image[i, j, 0] = 18 - sameimage[i, j, 1] = 18 - sameimage[i, j, 2] = 18 - sameelse:image[i, j, 0] = 0image[i, j, 1] = 0image[i, j, 2] = 0return imagedef img_revise(image):"""img_revise 函数用于对角点处理后的图像，进行非极大值抑制修正"""X = [-1, -1, -1, 0, 0, 1, 1, 1]     # X轴偏移Y = [-1, 0, 1, -1, 1, -1, 0, 1]     # Y轴偏移for i in range(4, image.shape[0]-4):for j in range(4, image.shape[1]-4):flag = 0for k in range(0, 8):print(i)if image[i, j, 0] <= image[int(i + X[k]), int(j + Y[k]), 0]:flag += 1breakif flag == 0:       # 判断是否是周围8个点中最大的值，是则保留image[i, j, 0] = 255image[i, j, 1] = 255image[i, j, 2] = 255else:image[i, j, 0] = 0image[i, j, 1] = 0image[i, j, 2] = 0return imageoriginImage = cv.imread('Lena.jpg')originImage = cv.cvtColor(originImage, cv.COLOR_BGR2RGB)

2.6、图像转换成灰度图像

图像转换成灰度图像的代码如下所示

# 图像转换成灰度图像grayImage = np.float32(originImage)

2.7  、调用susan角点检测算法

调用susan角点检测算法的代码如下所示

# 调用susan角点检测算法extraImage = img_extraction(originImage)

2.8、调用img_revise()非极大值抑制修正

调用img_revise()非极大值抑制修正的代码如下所示

# 调用img_revise()非极大值抑制修正susanImages = img_revise(extraImage)

2.9、显示正常中文的标签

显示正常中文的标签的代码如下所示

# 显示正常中文的标签plt.rcParams['font.sans-serif'] = ['SimHei']titles = [u'(a)原始图像', u'(b)Harris图像', u'(c)Susan图像']images = [lenna_img, img, susanImages]for i in range(3):plt.subplot(1, 3, i + 1), plt.imshow(images[i], 'gray')plt.title(titles[i])plt.xticks([]), plt.yticks([])plt.show()

2.10、角点检测结果

角点检测运行结果结果如下所示

Susan与Harris角点检测算子的优缺点

1. Harris：

• Harris优点：
• 1 旋转不变性，椭圆转过一定角度但是其形状保持不变（特征值保持不变）
• 2 对于图像灰度的仿射变化具有部分的不变性，由于仅仅使用了图像的一介导数，对于图像灰度平移变化不变；对于图像灰度尺度变化不变
• Harris缺点：
• 1 对尺度很敏感，不具备几何尺度不变性。
• 2 提取的角点是像素级的

2. Susan：

• Susan优点：大多数的边缘检测算子会随所用模板尺寸的变化而改变其所检测出的边缘的位置，但SUSAN检测算子能提供不依赖于模板尺寸的边缘精度。
  

chatgpt免费软件,chatgpt api 免费接口,chatgpt 聊天机器人教程,chatgpt 指令大全,chatgpt app

边缘检测与角点检测(模式识别与图像处理课程作业)

黑帽SEO泛目录程序与ChatGPT

在数字化时代，搜索引擎优化（SEO）已经成为许多网站主的关注焦点
。黑帽SEO泛目录程序和ChatGPT是两种不同但有着相似目标的工具。本文将介绍这两种工具的特点和作用。

首先，黑帽SEO泛目录程序是一种以不恰当的方式提高网站排名的工具。它通过创建大量重复内容的目录页面来吸引搜索引擎的注意 。然而，这种方法在搜索引擎算法的更新下已经不再有效，并且可能导致网站被降权或封禁
。因此 ，黑帽SEO泛目录程序已经逐渐被网站主弃用。

与之相反 ，ChatGPT是一种基于人工智能技术的自然语言处理工具。它使用大规模的语料库进行训练，可以生成与人类对话类似的文本回应。ChatGPT可以被应用在各种场景中
，如客服对话 、文本摘要和创作助手等 。它能够生成具有逻辑性和连贯性的文本，对于提高用户体验和提供个性化服务具有重要意义。