points_lepetit — MV `detect` op

• データ種: image2d → keypoints

• 呼び出し: import fullseye as fs; fs.ledger.points_lepetit(image, radius=3, check_neighbor=1, min_check_neighbor_diff=0.06, min_score=0.2, subpix=True) (実装を直接呼ぶなら import mvimage; mvimage.points_lepetit(image, radius=3, check_neighbor=1, min_check_neighbor_diff=0.06, min_score=0.2, subpix=True)、台帳から引くなら opsmv.get("points_lepetit"))

• HALCON 相当: points_lepetit(意味・パラメータは HALCON リファレンスが参考になる)

• GPU: なし(CPU 参照実装のみ)

使い方

円周上の向かい合う 2 点の比較で注目点を検出する(Lepetit と Fua の点検出)。

中心の灰色値に近い向かい合う 2 点が円周のどこかにあれば、そこを通る直線が伸びていると見なして落とす。残った画素を、円周の 2 階差分の総和(離散ラプラシアンの近似)で採点し、半径 radius の窓の極大だけを残す。subpix が真なら応答の放物線で小数の位置へ寄せる。灰色の範囲は [0, 1] を想定するので、min_check_neighbor_diff と min_score はその尺度で渡す。平らな画像は空の点列を返す。空の入力(image が 0 要素)は ValueError。

Args:

image: (H, W) の画像。

radius: 比較する円の半径(画素、>= 1)。

check_neighbor: 円周で左右に何点まで一緒に比べるか(>= 0)。

min_check_neighbor_diff: 「近い」と見なす灰色の差の上限。

min_score: 応答(円周平均の 2 階差分の絶対値)の下限。

subpix: 位置を小数へ寄せるか。

Returns:

(N, 2) の (row, col)。応答の強い順。

出典: V. Lepetit and P. Fua, IEEE Trans. PAMI 28(9), 1465-1479 (2006), doi:10.1109/TPAMI.2006.188。

詳しい使い方ガイド

• machine_vision_classics ファミリガイド

参考(サンプルデータ・文献)

• サンプルデータカタログ(DL URL / ライセンス) — 2-D は skimage.data(BSD/public)+ 合成、3-D は実データ源(Stanford/PDS 等)の DL URL。

• 演算子の来歴・参考文献 — この op 族の元になった研究/手法の出典。

• アルゴリズムの正典(著者・年)と用途は上記ファミリ使い方ガイドに記載。

実行できる例(この op を実際に呼ぶ検証済みサンプル)

• machine_vision_tour — py -3.11 examples/machine_vision_tour.py

• poc_real_chessboard_undistort — py -3.11 examples/poc_real_chessboard_undistort.py

• poc_real_stereo_multiscanline — py -3.11 examples/poc_real_stereo_multiscanline.py

型が繋がる次の op(`keypoints` を入力に取れる)

get_grayval_contour_xld · get_circle_pose · gen_nurbs_interp

同カテゴリ(`detect`)

create_ncc_model · find_ncc_models

*Provenance: mvimage.py — MV operator registry. この per-op ノートは tools/opdocs.py md が自動生成(手編集しない)。*

points_lepetit — MV detect op

使い方