【角点检测】
兴趣点也被称为关键点、特征点。他被大量用于解决物体识别、图像识别、图像匹配、视觉跟踪、三维重建等一系列问题中。
图像的特征类型分为：①边缘；②角点（感兴趣关键点）；③斑点（Blobs）（感兴趣区域）
【角点】某一点在任意方向的一个微小变动都会引起灰度很大的变化。（与位于相同强度区域上的点不同，与物体轮廓上的点也不同）
它们在图像中可以轻易定位。
角点位于两条边缘的交点处，代表了两个边缘变化的方向上的点，所以它们是可以精确定位的二维特征，甚至可以达到亚像素的精度。又
由于其图像梯度又很高的变化，这种变化是可以用来帮助检测角点的。
【角点的具体描述】①一阶导数（灰度的梯度）的局部最大所对应的像素点；②两条即两条以上边缘的交点；
③图像中梯度值和梯度方向的变化速率都很高的点；④角点处的一阶导数最大，二阶导数为0，它指示了物体边缘变化不连续的方向。
【角点检测分类】目前的角点检测算法可归纳为3类：角点是图像很重要的特征，对图像图形的理解和分析有很重要的作用。
①基于灰度图像的角点检测----基于梯度、模板（Kitchen-Rosenfeld）、模板梯度组合三类方法。其中基于模板的方法主要考虑像素领域点的灰度变化，即图像亮度的变化，将与邻点亮度对比足够大的点定义为角点。常见的基于模板的角点检测算法有Kitchen-Rosenfeld角点检测算法，Harris角点检测算法、KLT角点检测算法及SUSAN角点检测算法。和其他角点检测算法相比，SUSAN角点检测算法具有算法简单、位置准确、抗噪声能力强等特点。
②基于二值图像的角点检测
③基于轮廓曲线的角点检测
1、【harris角点检测】
【harris角点检测】:是一种直接基于灰度图像的角点提取算法，稳定性高，尤其对L型角点检测精度高。
缺点：运算速度慢（高斯滤波），角点信息有丢失和位置偏移的现象，而且角点提取有聚簇现象
实现Harris角点检测：cornerHarris()函数
void cornerHarris(
InputArray src, //输入图像
OutputArray dst, //存放Harris角点检测的输出结果
int blockSize, //表示邻域的大小
int ksize, //表示sobel算子的孔径大小
double k, // Harris参数
int boderType=BORDER_DEFAULT//图像像素边界模式
);
转自：http://blog.csdn.net/dandan_397/article/details/42110719
1. 首先，我们不禁要问什么是harris角点？
对于角点，到目前为止还没有明确的数学定义。但是你可以认为角点就是极值点，即在某方面属性特别突出的点。一般的角点检测都是对有具体定义的、或者是能够具体检测出来的兴趣点的检测。这意味着兴趣点可以是角点，是在某些属性上强度最大或者最小的孤立点、线段的终点，或者是曲线上局部曲率最大的点。
通俗的来说，在一副图像中，我们可以认为角点是物体轮廓线的连接点（见图1），当拍摄视角变化的时候，这些特征点仍能很好地保持稳定的属性。
图1 corner
角点在保留图像图形重要特征的同时，可以有效地减少信息的数据量，使其信息的含量很高，有效地提高了计算的速度，有利于图像的可靠匹配，使得实时处理成为可能。它的各种应用，这里我就不再赘述了。
2. 如何检测出harris角点？
图2 角点检测的基本思想
角点检测最原始的想法就是取某个像素的一个邻域窗口，当这个窗口在各个方向上进行小范围移动时，观察窗口内平均的像素灰度值的变化（即，E(u,v)，Window-averaged change of intensity）。从上图可知，我们可以将一幅图像大致分为三个区域（‘flat’，‘edge’，‘corner’），这三个区域变化是不一样的。
其中，u,v是窗口在水平，竖直方向的偏移，
这里可以先简单复习一下泰勒级数展开的知识，因为马上就用到啦，
这是一维的情况，对于多元函数，也有类似的泰勒公式。
对I(x+u,y+v)进行二维泰勒级数展开，我们取一阶近似，有
图中蓝线圈出的部分我们称之为结构张量（structure tensor），用M表示。
讲到这里，先明确一点，我们的目的是什么？我们的目的是寻找这样的像素点，它使得我们的u，v无论怎样取值，E(u,v)都是变化比较大的，这个像素点就是我们要找的角点。不难观察，上式近似处理后的E(u,v)是一个二次型，而由下述定理可知，
令E(u,v)=常数，我们可用一个椭圆来描绘这一函数。
椭圆的长短轴是与结构张量M的两个特征值
相对应的量。通过判断
的情况我们就可以区分出‘flat’，‘edge’，‘corner’这三种区域，因为最直观的印象：
corner：在水平、竖直两个方向上变化均较大的点，即Ix、Iy都较大；
edge ：仅在水平、或者仅在竖直方向有较大的点，即Ix和Iy只有其一较大 ；
flat ： 在水平、竖直方向的变化量均较小的点，即Ix、Iy都较小；
而结构张量M是由Ix，Iy构成，它的特征值正好可以反映Ix，Iy的情况，下面我以一种更容易理解的方式来讲述椭圆的物理意义。
这样是不是更清楚了呢^_^......，因此我们可以得出结论：
当然，大牛们并没有止步于此，这样通过判断两个变量的值来判断角点毕竟不是很方便。于是他们想出了一种更好的方法，对，就是定义角点响应函数R（corner response function），
针对三种区域，R的取值如何呢？
至此，我们就可以通过判断R的值来判断某个点是不是角点了。
3. harris角点检测算法步骤
值得注意的是，在实际情况中，用来判断R的阈值依赖于实际图像的尺寸、纹理等因素，由于其不具有直观的物理意义，它的取值很难确定。通常我们采用间接的方法来判断R：通过选择图像中R值最大的前n个像素点作为特征点，再对提取到的特征点进行K*K邻域的非极大抑制处理就可以了。
综合示例 ：harris角点检测与绘制
//-----------------------【harris角点检测与绘制】-----------------------------------------------------
// 描述：是一种直接基于灰度图像的角点提取算法，稳定性高，尤其对L型角点检测精度高。
// 缺点：运算速度慢（高斯滤波），角点信息有丢失和位置偏移的现象，而且角点提取有聚簇现象
//----------------------------------------------------------------------------------------------
#include <opencv2/opencv.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>
using namespace cv;
using namespace std;
//--------------------【宏定义部分】-----------------
// 描述：定义一些辅助宏
//---------------------------------------------------
#define WINDOW_NAME1 "【效果窗口1】" //为窗口标题定义的宏
#define WINDOW_NAME2 "【效果窗口2】" //为窗口标题定义的宏
//--------------------【全局变量声明部分】----------------
// 描述：全局变量声明
//--------------------------------------------------------
Mat g_srcImage,g_srcImage1,g_grayImage;
int thresh = 30;//当前阈值
int max_thresh = 175;//最大阈值
//--------------------【全局函数声明部分】----------------
// 描述：全局函数声明
//--------------------------------------------------------
void on_CornerHarris(int , void*);
//--------------------【main()函数】-----------------------
// 描述：控制台应用程序的入口函数，我们的程序从这里开始
//---------------------------------------------------------
int main(int argc, char** argv) {
//【1】载入原图
g_srcImage = imread("lenna.jpg");
if (!g_srcImage.data) { printf("读取图片错误 \n"); return false; }
imshow("原始图", g_srcImage);
g_srcImage1 = g_srcImage.clone();
//【2】存留一张灰度图
cvtColor(g_srcImage1, g_grayImage, COLOR_BGR2GRAY);
//【3】创建滚动条
namedWindow(WINDOW_NAME1,WINDOW_AUTOSIZE);
createTrackbar("阈值",WINDOW_NAME1,&thresh,max_thresh,on_CornerHarris);
//【4】调用一次回调函数，进行初始化
on_CornerHarris(0, 0);
waitKey(0);
return 0;
}
//--------------------------【on_CornerHarris()函数】----------------------
// 描述：鼠标消息回调函数
//-----------------------------------------------------------------------
void on_CornerHarris(int, void*) {
//定义一些局部变量
Mat dstImage;//目标图
Mat normImage;//归一化后的图
Mat scaledImage;//显现变换后的八位无符号整形的图
//置零当前需要的两幅图，即清除上一次调用此函数时的值
dstImage = Mat::zeros(g_srcImage.size(),CV_32FC1);
g_srcImage1 = g_srcImage.clone();
//【1】进行角点检测
cornerHarris(g_grayImage,dstImage,2,3,0.04,BORDER_DEFAULT);
//归一化与转换
normalize(dstImage,normImage,0,255,NORM_MINMAX,CV_32FC1);
convertScaleAbs(normImage,scaledImage);//将归一化的图线性变换成8位无符号整形
//【2】进行绘制
//将检测到的且符合阈值条件的角点绘制出来
for (int j = 0; j < normImage.rows;j++) {
for (int i = 0; i < normImage.cols;i++) {
if ((int)normImage.at<float>(j,i)>thresh+80) {
circle(g_srcImage1,Point(i,j),5,Scalar(10,10,255),2,8,0);
circle(scaledImage, Point(i, j), 5, Scalar(0, 10, 255), 2, 8, 0);
}
}
}
//显示结果
imshow(WINDOW_NAME1,g_srcImage1);
imshow(WINDOW_NAME2,scaledImage);
}2、【Shi-Tomasi角点检测与绘制】
确定图像强角点：goodFeaturesToTrack()函数-----用于确定图像的强角点
void goodFeaturesToTrack(
InputArray image, //输入图像
OutputArray corners, //检测到的焦点的输出向量
int maxCorners, //角点的最大数量
double qualityLevel, //角点检测可接受的最小特征值
double minDistance, //角点之间的最小距离
InputArray mask=noArray(),//表示感兴趣区域
int blockSize=3, //（默认3）是计算导数自相关矩阵时指定的领域范围
bool uesHarrisDetector=false,//默认false，指示是否使用Harris角点检测
double k=0.04 //（默认0.04）为用于设置Hessian自相关矩阵行列式的相对权重的权重系数。
);综合示例：Shi-Tomasi角点检测与绘制
//-----------------------【Shi-Tomasi角点检测与绘制】-----------------------------------------------------
// 描述：Harris的改进算法
//----------------------------------------------------------------------------------------------
#include <opencv2/opencv.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>
using namespace cv;
using namespace std;
//--------------------【宏定义部分】-----------------
// 描述：定义一些辅助宏
//---------------------------------------------------
#define WINDOW_NAME "【角点检测结果图】" //为窗口标题定义的宏
//--------------------【全局变量声明部分】----------------
// 描述：全局变量声明
//--------------------------------------------------------
Mat g_srcImage,g_grayImage;
int g_maxCornerNumber = 33;
int g_maxTrackbarNumber = 500;
RNG g_rng(12345);
//--------------------【全局函数声明部分】----------------
// 描述：全局函数声明
//--------------------------------------------------------
void on_goodCornersToTrack(int, void*);
//--------------------【main()函数】-----------------------
// 描述：控制台应用程序的入口函数，我们的程序从这里开始
//---------------------------------------------------------
int main(int argc, char** argv) {
//【1】载入原图
g_srcImage = imread("lenna.jpg");
if (!g_srcImage.data) { printf("读取图片错误 \n"); return false; }
cvtColor(g_srcImage, g_grayImage, COLOR_BGR2GRAY);
//【3】创建滚动条
namedWindow(WINDOW_NAME, WINDOW_AUTOSIZE);
createTrackbar("最大角点数", WINDOW_NAME, &g_maxCornerNumber, g_maxTrackbarNumber, on_goodCornersToTrack);
imshow(WINDOW_NAME,g_srcImage);
//【4】调用一次回调函数，进行初始化
on_goodCornersToTrack(0, 0);
waitKey(0);
return 0;
}
//--------------------------【on_goodCornersToTrack()函数】----------------------
// 描述：回调函数
//-----------------------------------------------------------------------
void on_goodCornersToTrack(int, void*) {
//【1】对变量小于等于1时的处理
if (g_maxCornerNumber <= 1) { g_maxCornerNumber = 1; }
//【2】Shi-Tomsai算法的参数准备
vector<Point2f>corners;
double qualityLevel = 0.01;//角点检测可接受的最小特征值
double minDistance = 10;//角点之间的最小距离
int blockSize = 3;//计算导数自相关矩阵时指定的邻域范围
double k = 0.04;//权重系数
Mat copy = g_srcImage.clone();
//【3】进行角点检测
goodFeaturesToTrack(g_grayImage,corners,g_maxCornerNumber,qualityLevel,minDistance,Mat(),blockSize,false,k);
//【4】输出文字信息
cout << ">此次检测到的角点数量为：" << corners.size() << endl;
//【5】绘制检测到的角点
int r = 4;
for (unsigned int i = 0; i < corners.size();i++) {
//以随机的颜色绘制出角点
circle(copy,corners[i],r,Scalar(g_rng.uniform(0,255),g_rng.uniform(0,255), g_rng.uniform(0, 255)),-1,8,0);
}
//【6】显示结果
imshow(WINDOW_NAME, copy);
}3、【亚像素级角点检测】
亚像素级角点检测的位置在摄像机标定、跟踪并重建摄像机的轨迹，或者重建被跟踪目标的三维结构时，是一个基本的测量值。
寻找亚像素角点：cornerSubPix()函数-----用于寻找亚像素焦点位置
void cornerSubPix(
InputArray image, //输入图像
InputOutputArray corners, //提供输入角点的初始坐标和精准的输出坐标
Size winSize, //搜索窗口的一般尺寸
Size zeroZone, //死区的一般尺寸
TermCriteria criteria //求角点的迭代过程的终止条件
);综合示例：亚像素级角点检测与绘制
//-----------------------【亚像素级角点检测与绘制】-----------------------------------------------------
// 描述：Harris的改进算法
//----------------------------------------------------------------------------------------------
#include <opencv2/opencv.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>
using namespace cv;
using namespace std;
//--------------------【宏定义部分】-----------------
// 描述：定义一些辅助宏
//---------------------------------------------------
#define WINDOW_NAME "【角点检测结果图】" //为窗口标题定义的宏
//--------------------【全局变量声明部分】----------------
// 描述：全局变量声明
//--------------------------------------------------------
Mat g_srcImage, g_grayImage;
int g_maxCornerNumber = 33;
int g_maxTrackbarNumber = 500;
RNG g_rng(12345);
//--------------------【全局函数声明部分】----------------
// 描述：全局函数声明
//--------------------------------------------------------
void on_goodCornersToTrack(int, void*);
//--------------------【main()函数】-----------------------
// 描述：控制台应用程序的入口函数，我们的程序从这里开始
//---------------------------------------------------------
int main(int argc, char** argv) {
//【1】载入原图
g_srcImage = imread("lenna.jpg");
if (!g_srcImage.data) { printf("读取图片错误 \n"); return false; }
cvtColor(g_srcImage, g_grayImage, COLOR_BGR2GRAY);
//【3】创建滚动条
namedWindow(WINDOW_NAME, WINDOW_AUTOSIZE);
createTrackbar("最大角点数", WINDOW_NAME, &g_maxCornerNumber, g_maxTrackbarNumber, on_goodCornersToTrack);
imshow(WINDOW_NAME, g_srcImage);
//【4】调用一次回调函数，进行初始化
on_goodCornersToTrack(0, 0);
waitKey(0);
return 0;
}
//--------------------------【on_goodCornersToTrack()函数】----------------------
// 描述：回调函数
//-----------------------------------------------------------------------
void on_goodCornersToTrack(int, void*) {
//【1】对变量小于等于1时的处理
if (g_maxCornerNumber <= 1) { g_maxCornerNumber = 1; }
//【2】Shi-Tomsai算法的参数准备
vector<Point2f>corners;
double qualityLevel = 0.01;//角点检测可接受的最小特征值
double minDistance = 10;//角点之间的最小距离
int blockSize = 3;//计算导数自相关矩阵时指定的邻域范围
double k = 0.04;//权重系数
Mat copy = g_srcImage.clone();
//【3】进行角点检测
goodFeaturesToTrack(g_grayImage, corners, g_maxCornerNumber, qualityLevel, minDistance, Mat(), blockSize, false, k);
//【4】输出文字信息
cout << ">此次检测到的角点数量为：" << corners.size() << endl;
//【5】绘制检测到的角点
int r = 4;
for (unsigned int i = 0; i < corners.size(); i++) {
//以随机的颜色绘制出角点
circle(copy, corners[i], r, Scalar(g_rng.uniform(0, 255), g_rng.uniform(0, 255), g_rng.uniform(0, 255)), -1, 8, 0);
}
//【6】显示结果
imshow(WINDOW_NAME, copy);
//【7】亚像素角点检测的参数设置
Size winSize = Size(5,5);
Size zeroZone = Size(-1,-1);
TermCriteria criteria = TermCriteria(TermCriteria::EPS+TermCriteria::MAX_ITER,40,0.001);
//【8】计算出亚像素角点检测
cornerSubPix(g_grayImage,corners,winSize,zeroZone,criteria);
//【9】输出角点信息
for (int i = 0; i < corners.size();i++) {
cout << "\t>>精确角点坐标["<<i<<"]("<<corners[i].x<<","<<corners[i].y<<")" << endl;
}
}
扫一扫
1409
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
