관련된 알고리즘과 코드는 인터넷에 많이 있습니다.
여기서 테스트한 것은 관련된 코드중 일부를 가지고 와서 조금 수정해서 테스트를 하였습니다.
| OpenCL test program (1) (0) | 2014.03.15 |
|---|---|
| OpenCL Architecture (0) | 2014.03.15 |
| OpenCV를 이용한 Face Detection (0) | 2013.05.19 |
| 3D Noise Reduction algorithm test (0) | 2011.10.05 |
| OpenCV 2.3 Computer vision (4) (4) | 2011.09.14 |
OpenCV를 이용한 Face Detection 입니다.
코드는 길지 않고 인터넷에서도 많이 돌아다니는 코드입니다.
몇가지 테스트할 일이 있어 한번 빌드를 해보았습니다.
| OpenCL Architecture (0) | 2014.03.15 |
|---|---|
| Optical Flow에 의한 영상 정보 분석 (0) | 2013.05.28 |
| 3D Noise Reduction algorithm test (0) | 2011.10.05 |
| OpenCV 2.3 Computer vision (4) (4) | 2011.09.14 |
| OpenCV 2.3 Computer vision (3) (0) | 2011.09.06 |
// Set ROI
cv::Mat imageROI = image(cv::Rect(127, 170 , 120 , 80));
cv::rectangle(image,cv::Rect(127, 170 , 120 , 80),cv::Scalar(0,0,255));
// Get HUE histogram
ColorHistogram hc;
int minSat = 65;
//cv::MatND colorhist = hc.getHueHistogram( imageROI , minSat );
cv::MatND colorhist = hc.getHueHistogram( imageROI );
// Computes the 1D Hue histogram with a mask.
// BGR source image is converted to HSV
cv::MatND getHueHistogram(const cv::Mat &image) {
cv::MatND hist;
// Convert to Lab color space
cv::Mat hue;
cv::cvtColor(image, hue, CV_BGR2HSV);
// Prepare arguments for a 1D hue histogram
hranges[0]= 0.0;
hranges[1]= 180.0;
channels[0]= 0; // the hue channel
// Compute histogram
cv::calcHist(&hue,
1, // histogram of 1 image only
channels, // the channel used
cv::Mat(), // no mask is used
hist, // the resulting histogram
1, // it is a 1D histogram
histSize, // number of bins
ranges // pixel value range
);
return hist;
}
// Object Finder
ObjectFinder finder;
finder.setHistogram(colorhist);
finder.setThreshold(0.2f);
// Sets the reference histogram
void setHistogram(const cv::MatND& h) {
isSparse= false;
histogram= h;
cv::normalize(histogram,histogram,1.0);
}
finder.setThreshold(0.2f);
은 그냥 내부 변수중 Threshld값을 0.2f로 설정해준다. 이 값은 나중에 연산할 때 사용한다.
Step 4 : 이미지를 HSV로 변경한 후에 이미지를 분할한다.
//convert to HSV space
cv::cvtColor(image, hsv, CV_BGR2HSV);
//split image
vector<cv::Mat> v;
cv::split(hsv,v);
// Identify pixel with low saturation
cv::threshold(v[1],v[1], minSat, 255,cv::THRESH_BINARY);
// Let's obtain backrojection of the hue channel
// Get back-projection of hue histogram
int ch[1]={0};
cv::Mat result= finder.find(hsv,0.0f,180.0f,ch,1);
cv::namedWindow("Result Hue");
cv::imshow("Result Hue",result);
// Eliminate low saturation pixels
cv::bitwise_and(result,v[1],result);
cv::namedWindow("Result Hue and");
cv::imshow("Result Hue and",result);
이미지는 아래와 같다.
앞서의 이미지보다는 약간 정돈된 느낌을 주지만, 뭐...
cv::TermCriteria criteria(cv::TermCriteria::MAX_ITER,10,0.01);
cout << "meanshift= " << cv::meanShift(result,rect,criteria) << endl;
#include <iostream>
#include <vector>
using namespace std;
#include <QtCore/QCoreApplication>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/opencv.hpp>
#include <opencv2/contrib/contrib.hpp>
#include "colorhistogram.h"
#include "objectFinder.h"
int main(int argc, char *argv[])
{
cv::Mat hsv;
QCoreApplication a(argc, argv);
// Read Data
cv::Mat image = cv::imread( "./0172.jpg" );
if (!image.data)
return 0;
// Set ROI
cv::Mat imageROI = image(cv::Rect(127, 170 , 120 , 80));
cv::rectangle(image,cv::Rect(127, 170 , 120 , 80),cv::Scalar(0,0,255));
//Display Origitanl Image
cv::namedWindow("Image 1 :: Orignal");
cv::imshow("Image 1 :: Orignal",image);
// Get HUE histogram
ColorHistogram hc;
int minSat = 65;
//cv::MatND colorhist = hc.getHueHistogram( imageROI , minSat );
cv::MatND colorhist = hc.getHueHistogram( imageROI );
// Object Finder
ObjectFinder finder;
finder.setHistogram(colorhist);
finder.setThreshold(0.2f);
//convert to HSV space
cv::cvtColor(image, hsv, CV_BGR2HSV);
//split image
vector<cv::Mat> v;
cv::split(hsv,v);
// Identify pixel with low saturation
cv::threshold(v[1],v[1], minSat, 255,cv::THRESH_BINARY);
cv::namedWindow("Saturation");
cv::imshow("Saturation",v[1]);
// Let's obtain backrojection of the hue channel
// Get back-projection of hue histogram
int ch[1]={0};
cv::Mat result= finder.find(hsv,0.0f,180.0f,ch,1);
cv::namedWindow("Result Hue");
cv::imshow("Result Hue",result);
// Eliminate low saturation pixels
cv::bitwise_and(result,v[1],result);
cv::namedWindow("Result Hue and");
cv::imshow("Result Hue and",result);
// load second image
image = cv::imread("./0181.jpg");
// Display image
cv::namedWindow("Image 2");
cv::imshow("Image 2",image);
// Convert to HSV space
cv::cvtColor(image, hsv, CV_BGR2HSV);
// Split the image
cv::split(hsv,v);
// Eliminate pixels with low saturation
cv::threshold(v[1],v[1],minSat,255,cv::THRESH_BINARY);
cv::namedWindow("Saturation");
cv::imshow("Saturation",v[1]);
// Get back-projection of hue histogram
result= finder.find(hsv,0.0f,180.0f,ch,1);
cv::namedWindow("Result Hue");
cv::imshow("Result Hue",result);
// Eliminate low stauration pixels
cv::bitwise_and(result,v[1],result);
cv::namedWindow("Result Hue and");
cv::imshow("Result Hue and",result);
// Get back-projection of hue histogram
finder.setThreshold(-1.0f);
result= finder.find(hsv,0.0f,180.0f,ch,1);
cv::bitwise_and(result,v[1],result);
cv::namedWindow("Result Hue and raw");
cv::imshow("Result Hue and raw",result);
cv::Rect rect(127, 170 , 120 , 80);
cv::rectangle(image, rect, cv::Scalar(0,0,255));
cv::TermCriteria criteria(cv::TermCriteria::MAX_ITER,10,0.01);
cout << "meanshift= " << cv::meanShift(result,rect,criteria) << endl;
cv::rectangle(image, rect, cv::Scalar(0,255,0));
// Display Image
cv::namedWindow("Image Result");
cv::imshow("Image Result",image);
cv::waitKey();
return 0;
}
 |
 |
| OpenCV를 이용한 Face Detection (0) | 2013.05.19 |
|---|---|
| 3D Noise Reduction algorithm test (0) | 2011.10.05 |
| OpenCV 2.3 Computer vision (3) (0) | 2011.09.06 |
| OpenCV 2.3 Computer vision (2) (0) | 2011.09.05 |
| OpenCV 2.3 Computer vision (1) (2) | 2011.09.05 |
(주) 글을 읽기 전에
이 글은 저와 같은 초보자를 위해서 정리하는 것입니다.
전문가시라면 굳이 읽을 필요가 없습니다.
공부하면서 정리하는 글이라서 서툰 부분이 많이 보입니다. 이해하여 주시고
틈틈이 새로운 것을 알게 되면 그때 그때 업데이트 하겠습니다.
(주) 시작하기 전에
실제 코드를 한번 따라가기 전에 SIFT 알고리즘을 간략하게 정리하여둡니다.
코드를 기계적으로 따라가는것 보다는 알고리즘을 이해하고 따라가는 것이 유용하기 때문입니다.
물론 그렇다고 제가 알고리즘을 다 이해하는 것은 아닙니다.
그냥 초보 수준에서 아는 것들만 정리하였습니다.
PPT 발표 자료는 이 페이지를 참조 하세요 : SIFT정리.ppt
발표자료를 기반으로 하여서 추가적으로 정리한 내용입니다.
1. Harris Corner Detector
특징으로는 다음과 같습니다.
Rotation 에 대해 검출이 가능하다.
부분 이미지로도 검출이 가능하다.
{
해석 :
이상의 말을 풀이하면
H.C.Detector는 영상이 회전된 것 그리고 밝기의 변화와 이미지 상에서 노이즈가 있어도
어느정도 이를 견디어 내며 원하는 포인트를 찾아낼 수 있다는 의미가 됩니다.
H.C.Detector는 Local Auto Correlation Function에 기반합니다.
기본적인 아이디어는 전체 이미지를 한방에 뒤지는 것이 아니고
주어진 이미지 영역에서 작은 이미지 영역 (부분 영역)을 설정하여 이 윈도우를 주변 영역과 비교하여
커다란 차이점이 있는 부분을 찾아내는 방식입니다.
설정된 이미지에 대해서 뒤지는 방향은 아무 방향이나 상관이 없습니다. 다만 주어진 부분 영역에 대해서
큰 변화가 생기는 방향으로 이동해야 하곘지요
아래 그림을 보면 쉽게 이해됩니다.
제일 왼쪽 그림은 뒤져서 변화가 없으므로 “Flat”으로 보게 됩니다.
가운데 그림은 상하로만 선분이 있다는 것을 알게 됩니다.
- 에지 방향으로 변화가 없다는 것은 에지가 존재한다는 의미가 됩니다.
오른쪽 그림은 모든 방향으로 변화가 존재하기 때문에
“Conor”라고 보는 것 입니다.
- 수학적인 의미는 다음에 하기로 하고 여기선 패스 합니다.
- SIFT가 우선이므로, H.C.Detector는 이정도에서 정리합니다.
매트랩에 대한 코드는 아래를 참고하시기 바랍니다.
http://ipl.cnu.ac.kr/mayadata/harris/harris_corner_detector.htm
}
상기 그림을 실제 H.C.Detector에 걸면 다음과 같은 영상을 얻을 수 있습니다.
그리고 이 그림의 임계치 이상만을 검출하면 다음과 같습니다.
임계치 이상 영역에서 최대값만을 표시하면 다음과 같습니다.
요것이 바로 코너 포인트가 되는 것입니다.
이 코너포인트를 원본 그림과 매핑하면 다음과 같습니다.
문제점 :
크기 변화에대해 대처하지 못한다.
혹은 그 역으로도 발생합니다.
따라서 H.C.Detector는 크기의 변경에 따라서 검출되는 정보가 변하므로,
크기 변화에 대처하지 못하는 것입니다.
SIFT는 이러한 문제점을 개선하기 위해서 나온 것입니다.
본격적인 이야긴 다음편에서~~
이번 내용에 대해서 추가적인 자료는 다음과 같습니다.
매트랩등등의 코드를 함께 제공하기 때문에 공부하실 분들은 이 페이지를 참고하여 주세요
http://ipl.cnu.ac.kr/mayadata/harris/harris_corner_detector.htm
그리고 위에 설명에 사용된 그림과 수식등은
을 참고하시기 바랍니다.
----------
자료 정리하던 프로그램이 Expire되어 버렸습니다.
잘 정리(?) 된 줄 알았는데 근본적으로 Time Limit이 되어 있더군요
좋은 프로그램인데 넘 고가여서.. .쩝..
그래서 한단계 낮은 프로그램을 구입했습니다.
그바람에 그동안 정리했던 것 옮기느라 많이 늦어졌네요
| JPEG2AVI 를 맥에서 빌드하기 (0) | 2009.04.24 |
|---|---|
| OpenCV - cvSmooth (2) | 2009.04.22 |
| OpenCV - Convert Image (0) | 2009.04.11 |
| OpenCV - Image Mask (0) | 2009.03.16 |
| OpenCV - Extract (2) | 2009.03.12 |
|
