【opencv/feature2d module】(三)Creating your own corner detector

说在前面

• opencv版本：4.0.1
• 操作系统：win10
• vs版本：2017
• 官方文档：Creating your own corner detector
• 其他说明：自学，记录，demo

Func

• 主要是这俩函数

  void cv::cornerEigenValsAndVecs	(	
  InputArray 	src,//输入图像
  OutputArray 	dst,//输出结果，与输入大小相同，类型为 CV_32FC(6) 六通道、浮点型
  int 	blockSize,//窗口大小
  int 	ksize,//Sobel算子参数
  int 	borderType = BORDER_DEFAULT //
  )	
  

  对每一个像素（假设坐标为(x,y)），定义一个大小为blockSize*blockSize（例如3）的窗口，并计算：
  $$M=\left[\begin{array}{cc}{\sum }_{S(p)}(dI/dx{)}^2& {\sum }_{S(p)}dI/dxdI/dy\\ {\sum }_{S(p)}dI/dxdI/dy& {\sum }_{S(p)}(dI/dy{)}^2\end{array}\right]$$
  那么在dst中对应(x,y)的值为：
  $$({\lambda }_1,{\lambda }_2,x_1,y_1,x_2,y_2)$$
  其中
  ${\lambda }_1,{\lambda }_2$为矩阵M的特征值；
  $(x_1,y_1),(x_2,y_2)$为矩阵M的特征向量。

  void cv::cornerMinEigenVal 
  (
  InputArray src, //输入图像
  OutputArray dst, //输出结果，与输入图像的大小相同，类型为CV_32FC1，存储上面那个M的最小特征值
  int blockSize, //窗口大小
  int ksize = 3, //Sobel算子参数
  int borderType = BORDER_DEFAULT 
  )
  

Code

• 计算cornerEigenValsAndVecs和Mc（也就是Harris角点检测中的R值）

  cornerEigenValsAndVecs( src_gray, myHarris_dst, blockSize, apertureSize );
  
  /* calculate Mc */
  Mc = Mat( src_gray.size(), CV_32FC1 );
  for( int i = 0; i < src_gray.rows; i++ )
  {
      for( int j = 0; j < src_gray.cols; j++ )
      {
          float lambda_1 = myHarris_dst.at<Vec6f>(i, j)[0];//λ1
          float lambda_2 = myHarris_dst.at<Vec6f>(i, j)[1];//λ1
          Mc.at<float>(i, j) = lambda_1*lambda_2 - 0.04f*pow( ( lambda_1 + lambda_2 ), 2 );
      }
  }
  

  其中：

  Mc.at<float>(i, j) = lambda_1*lambda_2 - 0.04f*pow( ( lambda_1 + lambda_2 ), 2 );
  

  也就是：
  $${\lambda }_1\ast {\lambda }_2-0.04\ast ({\lambda }_1+{\lambda }_2{)}^2=det(M)+0.04\ast (trace(M){)}^2$$

• Harris

  minMaxLoc( Mc, &myHarris_minVal, &myHarris_maxVal );//找出最值
  //......
  myHarris_qualityLevel = MAX(myHarris_qualityLevel, 1);//和1比较一下
  for( int i = 0; i < src_gray.rows; i++ )
  {
      for( int j = 0; j < src_gray.cols; j++ )
      {
      	//这一步相当于归一化并比较从而进行筛选
          if( Mc.at<float>(i,j) > myHarris_minVal + ( myHarris_maxVal - myHarris_minVal )*myHarris_qualityLevel/max_qualityLevel )
          {
              circle( myHarris_copy, Point(j,i), 4, Scalar( rng.uniform(0,256), rng.uniform(0,256), rng.uniform(0,256) ), FILLED );
          }
      }
  }
  

  其中：

  Mc.at<float>(i,j) > myHarris_minVal + 
  ( myHarris_maxVal - myHarris_minVal )*myHarris_qualityLevel/max_qualityLevel
  

  相当于：
  $$\frac{M{c}_{ij}-myHarri{s}_{Min}}{myHarri{s}_{Max}-myHarri{s}_{Min}}>\frac{qualityLevel}{qualityLeve{l}_{Max}}$$

• Shi-Tomasi

  cornerMinEigenVal( src_gray, myShiTomasi_dst, blockSize, apertureSize );//计算
  minMaxLoc( myShiTomasi_dst, &myShiTomasi_minVal, &myShiTomasi_maxVal );//找最值
  
  myShiTomasi_qualityLevel = MAX(myShiTomasi_qualityLevel, 1);
  
  for( int i = 0; i < src_gray.rows; i++ )
  {
      for( int j = 0; j < src_gray.cols; j++ )
      {
          if( myShiTomasi_dst.at<float>(i,j) > myShiTomasi_minVal + 
          ( myShiTomasi_maxVal - myShiTomasi_minVal )*myShiTomasi_qualityLevel/max_qualityLevel )
          {
              circle( myShiTomasi_copy, Point(j,i), 4, Scalar( rng.uniform(0,256), 
              rng.uniform(0,256), rng.uniform(0,256) ), FILLED );
          }
      }
  }
  

  其中：

  myShiTomasi_dst.at<float>(i,j) > myShiTomasi_minVal + 
  ( myShiTomasi_maxVal - myShiTomasi_minVal )*myShiTomasi_qualityLevel/max_qualityLevel
  

  和上面一样

• 从上面我们可以看到Harris和Shi-Tomasi的不同

  • Harris使用的是R（即$det(M)+0.04\ast (trace(M){)}^2$）
  • Shi-Tomasi则使用的是最小特征值

Result

---

( ఠൠఠ )ﾉ

---