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!
分享到:
相关推荐
深度学习数值计算之Hessian矩阵与牛顿法
Hessian矩阵以及在血管增强中的应用—OpenCV3和c++版本,我用的是vs2015,大家如果不是vs2015,可以直接把工程里面cpp和.h文件三个文件复制到自己新建的工程就可以使用。
关于hessian矩阵的简要介绍,hessen矩阵在多元函数极值问题中有重要作用
深度学习之基于Hessian矩阵的二阶方向导数与性质
基于Hessian的冠状动脉血管造影分割方法
深度学习数值计算基础之Jacobian矩阵与Hessian矩阵
基于Hessian矩阵对输入的心血管图像进行增强和分割
采用SURF算法对图像进行检测,其主要是用Hessian矩阵对图像进行检测,对图像的特征提取之后找到图像的特征点。之后采用最近临快速匹配(NN)、随机抽样一致性(RANSAC)算法和最小二乘法参数优化(LM)对特征点进行...
基于matlab使用 hessian 特征值增强 2D3D 图像中的血管脊状结构
描述了hessian矩阵的计算方法、特性和应用等
基于hessian矩阵的眼底图像血管增强滤波
对于泊松噪声污染下的模糊共聚焦图像复原问题,为解决传统方法中存在的阶梯效应,提出了一种基于Hessian矩阵范数的正则化方法.在泊松概率模型的基础上,该方法引入Hessian矩阵范数作为正则条件,并应用交替方向乘子...
利用hessian矩阵求光斑中心坐标,精度可以达到呀像素级,该方法是基于opencv实现的。
基于统计形态学和Hessian矩阵的血管树分割算法,刘勇清,房斌,针对门静脉期CT图像中存在的背景不均匀和噪声多等问题,提出一种基于统计形态学和Hessian矩阵的肝脏内血管树分割算法。首先,对原始
基于Hessian矩阵的四阶各向异性扩散滤波器进行图像去噪
Frangi最初提出的计算Hessian矩阵,计算特征值,构造血管增强函数,进行血管增强,Matlab代码,可直接运行。特征值计算为c语言代码,容易将整个算法转化为C或C++,非常有用。
图像的HESSIAN矩阵特征图像,从而可以针对特征值进行对图像增强
电力系统稳定性正规形分析法中Hessian矩阵的研究.pdf
基于图像增强的改进多尺度Hessian矩阵用于冠状动脉造影
sift特征提取、筛选的matlab实现,参数可自己选择,由像素极值点提取亚像素极值点,hessian矩阵删除边缘效应。