HALCON从入门到入门-角点检测器-points_foerstner

测试效果

算法原理

Förstner 运算符（也称为 Förstner 角点检测器）是一种在计算机视觉中用于检测图像中兴趣点（尤其是角点）的方法。这种方法基于图像的局部灰度变化，并且可以用于后续的图像处理任务，如图像匹配、目标跟踪和三维重建。

以下是使用 Förstner 运算符检测兴趣点的基本步骤：

1. 计算图像的梯度

在图像的每个像素点处，计算其灰度值的梯度（即，水平方向和垂直方向的变化率）。这可以通过使用差分滤波器（如 Prewitt、Sobel 滤波器）来实现。

1. 计算结构张量（Structure Tensor）

结构张量是一个 2x2 的矩阵，它描述了图像局部区域中灰度变化的方向和大小。这个矩阵可以通过对梯度向量的外积进行局部平均来得到。

1. 计算兴趣值（Interest Value）

兴趣值是判断一个像素点是否为兴趣点（角点）的依据。在 Förstner 方法中，兴趣值通常定义为结构张量的行列式与迹的商：

( \text{Interest Value} = \frac{\det(G)}{\text{trace}(G) + \epsilon} )

其中 ( \det(G) ) 是结构张量的行列式，( \text{trace}(G) ) 是结构张量的迹（即对角线元素之和），( \epsilon ) 是一个小的正常数，用于防止除数为零的情况。

1. 设定阈值和非极大值抑制

通过设定一个阈值来过滤掉兴趣值较低的点，从而只保留兴趣值较高的点作为候选角点。然后，使用非极大值抑制（Non-Maximum Suppression, NMS）来进一步筛选出局部区域内的最大兴趣值点，从而得到最终的角点检测结果。

1. （可选）亚像素定位

如果需要更精确的角点位置，可以使用亚像素定位技术来进一步细化角点的位置。这通常涉及到对结构张量进行更复杂的分析，如特征分解和插值。

请注意，上述步骤是一个简化的概述，并且具体的实现细节可能会因不同的应用场景和算法变体而有所不同。此外，许多计算机视觉库（如 OpenCV）已经提供了实现这些步骤的函数和工具，因此你可以直接使用这些库来检测兴趣点，而无需自己编写完整的算法。

测试代码

gen_image_const (Image, 'byte', 512, 512)

dev_get_window (WindowHandle)
get_domain (ImageResult, Domain)
gen_image_proto (Image, Image, 80)


draw_region (Region, WindowHandle)

get_region_points (Region, Rows, Columns)
paint_region (Region, Image, ImageResult, 255, 'fill')

points_foerstner (ImageResult, 1, 2, 3, 200, 0.3, 'gauss', 'false', RowJunctions, ColumnJunctions, CoRRJunctions, CoRCJunctions, CoCCJunctions, RowArea, ColumnArea, CoRRArea, CoRCArea, CoCCArea)

tuple_gen_const (|RowJunctions|, 10, Newtuple)
gen_circle_contour_xld (ContCircle, RowJunctions, ColumnJunctions, Newtuple, 0, 6.28318, 'positive', 1)
gen_cross_contour_xld (Cross, RowJunctions, ColumnJunctions, 20, 0.785398)