Laboratoire d’extraction de points — comparer Harris et Shi–Tomasi

Changer une seule condition

Exécutez le cas initial et enregistrez-le comme A. Choisissez la rotation et relancez : les images source et cible de A et B s’affichent à la même échelle. Les cercles bleus sont les détections, les croix orange les références projetées par la transformation connue. Comparez Harris et Shi–Tomasi avec les mêmes réglages d’image. La réinitialisation restaure les valeurs par défaut ; le partage reproduit les réglages actuels, pas le résultat A enregistré.

Ce que calculent les détecteurs

Les deux détecteurs utilisent la matrice locale des gradients M. Harris calcule det(M) − 0.04 trace(M)² ; Shi–Tomasi prend la plus petite valeur propre. La fenêtre mesure 3, 5 ou 7 pixels. Seuil relatif, maxima locaux, espacement minimal et nombre maximal sélectionnent les points. Le seuil suit le score maximal de l’image : assombrir sans écrêtage ne réduit donc pas nécessairement le nombre de points. Ces détecteurs à échelle unique ne sont pas des descripteurs : ils choisissent des positions sans établir de correspondances ni calculer le mouvement de caméra.

Transformations des images

Les images de 160×120 pixels contiennent des formes, des motifs répétés, une rampe peu texturée ou un bord. Les coordonnées croissent vers la droite et le bas ; une rotation positive est horaire autour du centre. Ordre : rééchantillonnage bilinéaire, moyenne sur un carré, gain d’intensité, bruit uniforme à graine fixe, écrêtage dans [0,1]. Le flou est un rayon, le bruit une amplitude. Les niveaux de gris codés ne sont pas une luminance physique. La réduction n’utilise pas de préfiltre anticrénelage. Les zones éclaircies sont exclues pour éviter de compter des coins créés par les limites de transformation et le support des filtres.

Interpréter la couverture

Les références admissibles sont les détections source projetées dans la zone cible valide. La couverture est leur proportion ayant une détection cible à une distance maximale de 3 pixels cible. Si le dénominateur est vide, elle est indéfinie (—). Plusieurs références peuvent utiliser la même détection : c’est une couverture de proximité directionnelle, pas une précision d’appariement ni une répétabilité symétrique standard. Des motifs répétés peuvent sembler convaincants sans identifier le bon objet. Le JSON contient les pixels, masques, points et la transformation.

Exemples enregistrés

Ces valeurs proviennent du modèle livré avec les réglages Shi–Tomasi par défaut, en changeant uniquement le préréglage indiqué. Le cas peu texturé conserve un rapport indéfini, sans inventer un taux de réussite nul.

Diagram 1 · Use the button to switch views

Poursuivre l’apprentissage

• Théorie de la détection de points
• Vue d’ensemble de Visual SLAM
• Sources, définitions du modèle et tests de référence
• Métriques enregistrées en JSON
• Référence des détecteurs OpenCV

Poursuivez dans le laboratoire d’appariement pour comparer descripteurs, filtres et accord géométrique aux correspondances connues.

Lab de luminosité et luminance — exposition, gamma et écrêtage