角点检测算法

最新推荐文章于 2023-09-11 09:15:29 发布

modelTSS

最新推荐文章于 2023-09-11 09:15:29 发布

阅读量2.6k

点赞数

分类专栏：图像处理文章标签：计算机视觉 opencv 算法

原文链接：https://blog.csdn.net/chenjiazhou12/article/details/22683049

版权

图像处理专栏收录该内容

6 篇文章 5 订阅

订阅专栏

本次范例讲的都是检测角点的算法，在这里我们会讲到，harris角点检测，Shi-Tomasi角点检测，FAST角点检测，尺度不变surf检测，尺度不变sift检测，特征点的描述。由于是算法问题，相对来说会比较复杂，而且都是一些比较经典的算法，如果只是纯粹的想要用算法来实现一些功能，那么只要调用OpenCV几个简单的函数就可以了，但是如果想学习一下理论知识，为以后自己的研究有所帮助，而且想理解函数的参数如何改变，那么还是得硬着头皮去看看原理吧，本人也是看了挺久的算法原理，但是还是没有完全理解透，所以在这里只是贴出我看过的比较有用的博客，还有一些自己编译的代码和实现结果，记录一下这个过程，方便以后可以进一步的研究。

1、原理

Harris：Opencv学习笔记（五）Harris角点检测

Shi-Tomasi：【OpenCV】角点检测：Harris角点及Shi-Tomasi角点检测

FAST：OpenCV学习笔记（四十六）——FAST特征点检测features2D

SIFT：【OpenCV】SIFT原理与源码分析

特征点检测学习_1(sift算法)

SURF: 特征点检测学习_2(surf算法)

2、代码实现

由于代码量较大，所以只是贴出代码的一部分，如果想要整体代码，可以从下面的链接中找到

http://download.csdn.net/detail/chenjiazhou12/7129327

①、harris角点检测

//计算角点响应函数以及非最大值抑制
void detect(const Mat &image){
//opencv自带的角点响应函数计算函数
cornerHarris (image,cornerStrength,neighbourhood,aperture,k);
double minStrength;
//计算最大最小响应值
minMaxLoc (cornerStrength,&minStrength,&maxStrength);
Mat dilated;
//默认3*3核膨胀，膨胀之后，除了局部最大值点和原来相同，其它非局部最大值点被
//3*3邻域内的最大值点取代
dilate (cornerStrength,dilated,cv::Mat());
//与原图相比，只剩下和原图值相同的点，这些点都是局部最大值点，保存到localMax
compare(cornerStrength,dilated,localMax,cv::CMP_EQ);
}

cornerHarris

功能：Harris角点检测

结构：

 void cornerHarris(InputArray src, OutputArray dst, int blockSize, int apertureSize, double k, int borderType=BORDER_DEFAULT )

src ：8位或者32位浮点数单通道图像
dst：保存Harris检测结果的图像，32位单通道，和src有同样的size
blockSize ：邻域大小，相邻像素的尺寸（见关于 cornerEigenValsAndVecs() 的讨论）
apertureSize ：滤波器的孔径大小
k ：harris 检测器的自由参数
boderType ：插值类型

compare

功能：两个数组之间或者一个数组和一个常数之间的比较

结构：

void compare(InputArray src1, InputArray src2, OutputArray dst, int cmpop)

src1 ：第一个数组或者标量，如果是数组，必须是单通道数组。
src2 ：第二个数组或者标量，如果是数组，必须是单通道数组。
dst ：输出数组，和输入数组有同样的size和type=CV_8UC1
cmpop ：

标志指明了元素之间的对比关系
CMP_EQ src1 相等 src2.

CMP_GT src1 大于 src2.
CMP_GE src1 大于或等于 src2.
CMP_LT src1 小于 src2.
CMP_LE src1 小于或等于 src2.
CMP_NE src1 不等于 src2.

如果对比结果为true，那么输出数组对应元素的值为255，否则为0

//获取角点图
Mat getCornerMap(double qualityLevel) {
Mat cornerMap;
// 根据角点响应最大值计算阈值
thresholdvalue= qualityLevel*maxStrength;
threshold(cornerStrength,cornerTh,
thresholdvalue,255,cv::THRESH_BINARY);
// 转为8-bit图
cornerTh.convertTo(cornerMap,CV_8U);
// 和局部最大值图与，剩下角点局部最大值图，即：完成非最大值抑制
bitwise_and(cornerMap,localMax,cornerMap);
return cornerMap;
}

bitwise_and

功能：计算两个数组或数组和常量之间与的关系

结构：

void bitwise_and(InputArray src1, InputArray src2, OutputArray dst, InputArray mask=noArray())

src1 ：第一个输入的数组或常量
src2 ：第二个输入的数组或常量
dst ：输出数组，和输入数组有同样的size和type
mask ：可选择的操作掩码，为8位单通道数组，指定了输出数组哪些元素可以被改变，哪些不可以

操作过程为：

$\texttt{dst} (I) = \texttt{src1} (I) \wedge \texttt{src2} (I) \quad \texttt{if mask} (I) \ne0$

$\texttt{dst} (I) = \texttt{src1} (I) \wedge \texttt{src2} \quad \texttt{if mask} (I) \ne0$

$\texttt{dst} (I) = \texttt{src1} \wedge \texttt{src2} (I) \quad \texttt{if mask} (I) \ne0$

如果为多通道数组，每个通道单独处理

②、Shi-Tomasi检测

void goodFeaturesDetect()
{
// 改进的harris角点检测方法
vector<Point> corners;
goodFeaturesToTrack(image,corners,
200,
//角点最大数目
0.01,
// 质量等级，这里是0.01*max（min（e1，e2）），e1，e2是harris矩阵的特征值
10);
// 两个角点之间的距离容忍度
harris().drawOnImage(image,corners);//标记角点
imshow (winname,image);
}

goodFeaturesToTrack

功能：确定图像的强角点

结构：

void goodFeaturesToTrack(InputArray image, OutputArray corners, int maxCorners, double qualityLevel, double minDistance, InputArray mask=noArray(), int blockSize=3, bool useHarrisDetector=false, double k=0.04 )

image ：输入8位或32为单通道图像
corners ：输出检测到的角点
maxCorners ：返回的角点的最大值，如果设置的值比检测到的值大，那就全部返回
qualityLevel ：最大最小特征值的乘法因子。定义可接受图像角点的最小质量因子
minDistance ：限制因子，两个角点之间的最小距离，使用 Euclidian 距离
mask ：ROI:感兴趣区域。函数在ROI中计算角点，如果 mask 为 NULL，则选择整个图像。必须为单通道的灰度图，大小与输入图像相同。mask对应的点不为0，表示计算该点。
blockSize ：邻域大小，相邻像素的尺寸（见关于 cornerEigenValsAndVecs() 的讨论）
useHarrisDetector ：是否使用Harris检测器 (见关于 cornerHarris() 或 cornerMinEigenVal()的讨论）.
k ：Harris检测器的自由参数

1、该函数在原图像的每一个像素点使用cornerMinEigenVal()或者cornerHarris()来计算角点
2、对检测到的角点进行非极大值抑制（在3*3的领域内极大值被保留）
3、对检测到的角点进行阈值处理，小于阈值，则被删除
4、对最终得到的角点进行降序排序
5、删除离强角点距离比minDistance近的角点

③、FAST检测

void fastDetect()
{
//快速角点检测
vector<KeyPoint> keypoints;
FastFeatureDetector fast(40,true);
fast.detect (image,keypoints);
drawKeypoints (image,keypoints,image,Scalar::all(255),DrawMatchesFlags::DRAW_OVER_OUTIMG);
imshow (winname,image);
}

FastFeatureDetector 类

这个类是FeatureDetector类继承过来的

构造函数

FastFeatureDetector( int threshold=1, bool nonmaxSuppression=true );

threshold：检测阈值

nonmaxSuppression：非极大值抑制

void FeatureDetector::detect(const Mat& image, vector<KeyPoint>& keypoints, const Mat& mask=Mat() ) const

void FeatureDetector::detect(const vector<Mat>& images, vector<vector<KeyPoint>>& keypoints, const vector<Mat>& masks=vector<Mat>() ) const

image ：输入图片
images ：输入图片组
keypoints ：第一个为检测到的keypoints，第二个为检测到的keypoints组
mask ：可选的操作掩码，指定哪些keypoints，必须是8位二值化有非零元素的感兴趣区域
masks ：多个操作掩码，masks[i]对应images[i]

drawKeypoints

功能：绘制特征关键点.

结构：

 void drawKeypoints(const Mat& image, const vector<KeyPoint>& keypoints, Mat& outImg, const Scalar& color=Scalar::all(-1), int flags=DrawMatchesFlags::DEFAULT )

image ：原图片
keypoints ：得到的keypoints
outImg ：输出图片，它的内容依赖于flags的值
color ：keypoints的颜色
flags ：标志画在输出图像的特征，flags是由DrawMatchesFlags定义的

struct DrawMatchesFlags
{
enum
{
DEFAULT = 0, // 会创建一个输出矩阵,两张源文件，匹配结果，
// 和keypoints将会被绘制在输出图像中
// 对于每一个keypoints点，只有中心被绘制，
// 不绘制半径和方向
DRAW_OVER_OUTIMG = 1, // 不创建输出图像，匹配结构绘制在已经存在的输出图像中
NOT_DRAW_SINGLE_POINTS = 2, // 单独的keypoints点不被绘制
DRAW_RICH_KEYPOINTS = 4 // 对于每一个keypoints点，半径和方向都被绘制
};
};

④、SIFT检测

void siftDetect()
{
vector<KeyPoint> keypoints;
SiftFeatureDetector sift(0.03,10);
sift.detect(image,keypoints);
drawKeypoints(image,keypoints,image,Scalar(255,255,255),DrawMatchesFlags::DRAW_RICH_KEYPOINTS);
imshow (winname,image);
}

SiftFeatureDetector

结构：

SiftFeatureDetector( double threshold, double edgeThreshold,
int nOctaves=SIFT::CommonParams::DEFAULT_NOCTAVES,
int nOctaveLayers=SIFT::CommonParams::DEFAULT_NOCTAVE_LAYERS,
int firstOctave=SIFT::CommonParams::DEFAULT_FIRST_OCTAVE,
int angleMode=SIFT::CommonParams::FIRST_ANGLE );

threshold：过滤掉较差的特征点的对阈值。threshold越大，返回的特征点越少。

edgeThreshold：过滤掉边缘效应的阈值。edgeThreshold越大，特征点越多

⑤、SURF检测

void surfDetect()
{
vector<KeyPoint> keypoints_1, keypoints_2;
Mat descriptors_1, descriptors_2;
//-- Step 1: Detect the keypoints using SURF Detector
SurfFeatureDetector surf(2500);
surf.detect(image,keypoints_1);
surf.detect(image2,keypoints_2);
//-- Step 2: Calculate descriptors (feature vectors)
SurfDescriptorExtractor extractor;
extractor.compute( image, keypoints_1, descriptors_1 );
extractor.compute( image2, keypoints_2, descriptors_2 );
//-- Step 3: Matching descriptor vectors with a brute force matcher
BruteForceMatcher< L2<float> > matcher;
std::vector< DMatch > matches;
matcher.match( descriptors_1, descriptors_2, matches );
nth_element(matches.begin(),matches.begin()+24,matches.end());
matches.erase(matches.begin()+25,matches.end());
//-- Draw matches
Mat img_matches;
drawMatches( image, keypoints_1, image2, keypoints_2, matches, img_matches,Scalar(255,255,255) );
drawKeypoints(image,keypoints_1,image,Scalar(255,255,255),DrawMatchesFlags::DRAW_RICH_KEYPOINTS);
//-- Show detected matches
imshow("Matches", img_matches );
imshow (winname,image);
}

SurfFeatureDetector

构造函数

SurfFeatureDetector( double hessianThreshold = 400., int octaves = 3,
int octaveLayers = 4 );

hessianThreshold：阈值

octaves：金字塔组数

octaveLayers:金字塔中每组的层数

SurfDescriptorExtractor

功能：来封装的用于计算特征描述子的类，构造SURE描述子提取器

compute

功能：根据检测到的图像（第一种情况）或者图像集合（第二种情况）中的关键点(检测子)计算描述子.

void DescriptorExtractor::compute(const Mat& image, vector<KeyPoint>& keypoints, Mat& descriptors) const
void DescriptorExtractor::compute(const vector<Mat>& images, vector<vector<KeyPoint>>& keypoints, vector<Mat>& descriptors) const

image :输入图像.
images ：输入图像集.
keypoints:输入的特征关键点.

descriptors：计算特征描述子

BruteForceMatcher< L2<float> >

功能：暴力搜索特征点匹配. 对于第一集合中的特征描述子, 这个匹配寻找了在第二个集合中最近的特征描述子. 这种特征描述子匹配支持 masking permissible特征描述子集合匹配.

它是一个模板类，<>中的参数表示匹配的方式

DMatch

功能：用于匹配特征关键点的特征描述子的类：查询特征描述子索引, 特征描述子索引, 训练图像索引, 以及不同特征描述子之间的距离.

match

功能：给定查询集合中的每个特征描述子，寻找最佳匹配.

结构：

void DescriptorMatcher::match(const Mat& queryDescriptors, const Mat& trainDescriptors, vector<DMatch>& matches, const Mat& mask=Mat() ) const
void DescriptorMatcher::match(const Mat& queryDescriptors, vector<DMatch>& matches, const vector<Mat>& masks=vector<Mat>() )

queryDescriptors ：特征描述子查询集.
trainDescriptors ：待训练的特征描述子集.
matches ：匹配特征描述子类
mask – 特定的在输入查询和训练特征描述子集之间的可允许掩码匹配，指定哪些可以被匹配
masks – masks集. 每个 masks[i] 特定标记出了在输入查询特征描述子和存储的从第i个图像中提取的特征描述子集

第二个方法的trainDesctiptors由DescriptorMatcher::add给出。

nth_element
功能：nth_element作用为求第n小的元素，并把它放在第n位置上，下标是从0开始计数的，也就是说求第0小的元素就是最小的数。

erase

功能：移除参数1和参数2之间的元素，返回下一个元素

drawMatches

功能：给定两幅图像，绘制寻找到的特征关键点及其匹配

结构：

void drawMatches(const Mat& img1, const vector<KeyPoint>& keypoints1, const Mat& img2, const vector<KeyPoint>& keypoints2, const vector<DMatch>& matches1to2, Mat& outImg, const Scalar& matchColor=Scalar::all(-1), const Scalar& singlePointColor=Scalar::all(-1), const vector<char>& matchesMask=vector<char>(), int flags=DrawMatchesFlags::DEFAULT )

img1 ：第一张原图片
keypoints1 ：第一张得到的关键点
img2 ：第二张图片
keypoints2 ：第二张得到的关键点
matches ：匹配点
outImg ：输出图片，它的内容依赖于flags的值
matchColor ：匹配线的颜色，如果为-1，则颜色随机分配
singlePointColor ：单独点，没有匹配到的点的颜色，如果为-1，则颜色随机分配
matchesMask ：掩码，表示哪些匹配值被绘制出来，如果为空，表示所有匹配点都绘制出来
flags ：和上面drawkeypoints中的flags一样