Labor zur Merkmalserkennung — Harris und Shi–Tomasi vergleichen

Jeweils eine Bedingung ändern

Das Ausgangsbild berechnen und als A speichern. Danach die Drehung wählen und erneut starten: Die Quell- und Zielbilder von A und B erscheinen im gleichen Maßstab. Blaue Kreise markieren Detektionen, orange Kreuze die mit der bekannten Transformation projizierten Referenzen. Harris und Shi–Tomasi bei gleichen Bildbedingungen vergleichen. Zurücksetzen lädt die Vorgaben; Teilen überträgt die aktuellen Einstellungen, nicht das gespeicherte Ergebnis A.

Berechnung der Detektoren

Beide Detektoren verwenden die lokale Gradientenmatrix M. Harris bewertet det(M) − 0.04 trace(M)², Shi–Tomasi den kleineren Eigenwert. Die Fensterbreite beträgt 3, 5 oder 7 Pixel. Relative Schwelle, lokale Maxima, Mindestabstand und Punktzahlgrenze wählen die Punkte aus. Die Schwelle folgt dem höchsten Bildwert; Abdunkeln ohne Clipping muss die Punktzahl daher nicht verringern. Diese Detektoren arbeiten auf einer Skala und sind keine Deskriptoren: Sie wählen Orte, bestimmen aber keine Korrespondenzen oder Kamerabewegung.

Bildtransformationen

Die Bilder mit 160×120 Pixeln zeigen Formen, wiederholte Muster, eine texturarme Rampe oder eine Kante. Koordinaten wachsen nach rechts und unten; positive Drehungen verlaufen im Uhrzeigersinn um die Bildmitte. Reihenfolge: bilineare Abtastung, quadratischer Mittelwertfilter, Intensitätsfaktor, gleichverteiltes Rauschen mit festem Startwert, Begrenzung auf [0,1]. Unschärfe ist ein Radius, Rauschen eine Amplitude. Die kodierten Grauwerte sind keine physikalische Leuchtdichte. Beim Verkleinern fehlt ein Antialiasing-Vorfilter. Aufgehellte Zielbereiche sind ausgeschlossen, damit Transformationsränder und Filterstützbereiche keine gezählten Ecken erzeugen.

Abdeckung richtig lesen

Berücksichtigt werden Quellpunkte, deren Projektion im gültigen Detektionsbereich des Zielbilds liegt. Abdeckung ist der Anteil dieser Referenzen mit einer Zieldetektion innerhalb von 3 Zielpixeln. Ein leerer Nenner ergibt undefiniert (—). Mehrere Referenzen dürfen dieselbe Detektion nutzen: Das ist gerichtete räumliche Abdeckung, keine Zuordnungsgenauigkeit oder standardisierte symmetrische Wiederholbarkeit. Wiederholte Muster können gut aussehen, ohne das richtige Objekt zu identifizieren. Der JSON-Download enthält Pixel, Masken, Punkte und Transformation.

Gespeicherte Beispiele

Diese Werte wurden mit den ausgelieferten Shi–Tomasi-Vorgaben berechnet; nur die genannte Voreinstellung wurde geändert. Bei geringer Textur bleibt das Verhältnis undefiniert, statt einen Erfolg von null Prozent zu erfinden.

Diagram 1 · Use the button to switch views

Weiterlernen

• Theorie der Merkmalserkennung
• Überblick über Visual SLAM
• Quellcode, Modelldefinitionen und Referenztests
• Gespeicherte Metriken als JSON
• OpenCV-Detektorreferenz

Im Zuordnungslabor Deskriptoren, Filter und geometrische Übereinstimmung mit bekannten Korrespondenzen vergleichen.

Lab für Bildhelligkeit und Leuchtdichte — Belichtung, Gamma und Clipping