OpenCv学习0818，特征提取匹配学习01

图像特征

可以表达图像中对象的主要信息，并且以此为依据可以从其他未知图像中检测出相似护着相同对象

常见的图像特征

• 边缘

• 角点

• 纹理

特征的提取与描述

• SIFT
• SURF
• HOG
• Harrs
• LBP
• KAZE
• AKAZE
• BRISK

DDM

• Detection
• Description
• Matching

Harris角点检测

角点是两条边缘的交点或者在局部邻域中有多个显著边缘方向的点。Harris角点检测是一种在角点检测中最常见的技术。

算法基本思想是使用一个固定窗口在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，

角点：如果存在任意方向上的滑动，都有着较大灰度变化，那么我们可以认为该窗口中存在角点。

边界：仅在水平、或者仅在竖直方向有较大的变化量，另一个没有什么变化， 即Ix和Iy中只有一个比较大

平坦地区：在水平、竖直方向的变化量比较小。即Ix,Iy都比较小

cornerHarris(src, dst, blockSize, ksize, k, dst=None, borderType=None)

src:  输入图像

dst：输出图像

blockSize： 角点检测中要考虑的邻域大小

ksize：Sobel求导中使用的窗口大小

k: Harris角点检测方程中的自由参数，取值参数为[0.04, 0.06]

using namespace cv;
using namespace std;

int thresh = 130;
int max_count = 255;
const char* output_title = "output";
Mat src, gray_src;
void Harris_Demo(int, void*);
int main(int argc, char **argv) {

	src = imread("C:/Temp/pyy1.jpg");
	if (src.empty()) {
		cout << "wrong" << endl;
	}

	namedWindow(output_title, WINDOW_AUTOSIZE);
	cvtColor(src, gray_src, COLOR_RGB2BGR);
	createTrackbar("Threshold", output_title, &thresh, max_count,Harris_Demo);
	Harris_Demo(0, 0);
	waitKey(0);
	return 0;
}

void Harris_Demo(int, void*) {
	Mat dst, norm_dst, normScaleDst;
	dst = Mat::zeros(gray_src.size(), CV_32FC1);

	int blockSize = 2;
	int ksize = 3;
	double k = 0.04;
	cornerHarris(gray_src, dst, blockSize, ksize, k, BORDER_DEFAULT);
	normalize(dst, norm_dst, 0, 255, NORM_MINMAX, CV_32FC1, Mat());
	convertScaleAbs(norm_dst, normScaleDst);

	Mat resultImg = src.clone();
	for (int row = 0; row < resultImg.rows; row++) {
		uchar* currentRow = normScaleDst.ptr<uchar>(row);
		for (int col = 0; col < resultImg.cols; col++) {
			int value = (int)* currentRow;
			if (value > thresh) {
				circle(resultImg, Point(col, row), 2, Scalar(0, 0, 255), 2, 8, 0);
			}
			currentRow++;
		}
	}
	imshow(output_title, resultImg);


}