数字图像处理项目：光流法追踪角点calcOpticalFlowPyrLk()，goodFeaturesToTrack（），cornerSubPix()

光流法追踪角点calcOpticalFlowPyrLk()

使用代码

#include<opencv2/opencv.hpp>
#include<iostream>
using namespace std;
using namespace cv;
int main()
{
	Mat img1 = imread("1.jpg",0);
	Mat img2 = imread("2.jpg", 0);
	int win_size = 10;
	vector<Point2f> corners1;
	vector<Point2f> corners2;
	int Max_img1_corners = 500;
	goodFeaturesToTrack(img1,corners1,Max_img1_corners,0.01,5,noArray(),3,false,0.04);
	TermCriteria criteria = TermCriteria(TermCriteria::EPS+TermCriteria::COUNT,20,0.03);
	cornerSubPix(img1,corners1,Size(win_size,win_size),Size(-1,-1),TermCriteria());
	//LK
	vector<uchar> features_found;
	calcOpticalFlowPyrLK(img1,img2,corners1,corners2,features_found,noArray(),Size(21,21),5,criteria);
	for (int i = 0; i < corners1.size(); i++)
	{
		if (!features_found[i])
			continue;
		line(img1,corners1[i],corners2[i],Scalar(255),1,LINE_AA);
		circle(img2,corners2[i],3,Scalar(255),-1,8);
	}
	imshow("img1",img1);
	imshow("img2", img2);
	waitKey(0);
	return 0;
}

一、函数解读
1、goodFeaturesToTrack函数
opencv中的goodFeaturesToTrack函数可以计算Harris角点和shi-tomasi角点，但默认情况下计算的是shi-tomasi角点，函数原型如下：

void cv::goodFeaturesToTrack( InputArray image, OutputArray corners,
                              int maxCorners, double qualityLevel, double minDistance,
                              InputArray mask, int blockSize,
                              bool useHarrisDetector, double harrisK )

**image：**8位或32位浮点型输入图像，单通道
**corners：**保存检测出的角点(vector/Mat(n,2,CV_32FS1))
**maxCorners：**角点数目最大值，如果实际检测的角点超过此值，则只返回前maxCorners个强角点
**qualityLevel：**角点的品质因子
**minDistance：**对于初选出的角点而言，如果在其周围minDistance: 范围内存在其他更强角点，则将此角点删除
**mask：**指定感兴趣区，如不需在整幅图上寻找角点，则用此参数指定ROI
**blockSize：**计算协方差矩阵时的窗口大小
**useHarrisDetector：**指示是否使用Harris角点检测，如不指定，则计算shi-tomasi角点
**harrisK：**Harris角点检测需要的k值

2、cornerSubPix()函数

OpenCV中有cornerSubPixel（）这个API函数用来针对初始的整数角点坐标进行亚像素精度的优化，该函数原型如下：

void cv::cornerSubPix( InputArray _image, InputOutputArray _corners,
                       Size win, Size zeroZone, TermCriteria criteria )

_image为输入的单通道图像；_corners为提取的初始整数角点（比如用goodFeatureToTrack提取的强角点）；win为求取亚像素角点的窗口大小，比如设置Size（11,11），需要注意的是11为半径，则窗口大小为23x23；zeroZone是设置的“零区域”，在搜索窗口内，设置的“零区域”内的值不会被累加，权重值为0。如果设置为Size(-1,-1)，则表示没有这样的区域；critteria是条件阈值，包括迭代次数阈值和误差精度阈值，一旦其中一项条件满足设置的阈值，则停止迭代，获得亚像素角点。

3、calcOpticalFlowPyrLk()函数

void calcOpticallFlowPyrLK (InuputArray prevImg, InputArray nextImg, InputArray prevPts, InputOutputArray
nextPts, OutputArray status, OutputArray err, Size winSize = Size(21,21), int maxLevel = 3, TermCriteria
criteria = TermCriteria(TermCriteria::COUNT+TermCriteria::EPS, 30, 0.01), int flags = 0, double minEigThreshold = 1e-4);

-prevImg: 深度为8位的前一帧图像或金字塔图像。
-nextImg：和prevImg有相同的大小和类型，后一帧图像或金字塔。
-prevPts：计算光流所需要的输入2D点矢量，点坐标必须是单精度浮点数。
-nextPts：输出2D点矢量(也是单精度浮点数坐标)，点矢量中包含的是在后一帧图像上计算得到的输入特征新位置。
-status：输出状态矢量(元素是无符号char类型，uchar)，如果相应特征的流发现则矢量元素置为1，否则，为0。
-err：输出误差矢量。
-winSize：每个金字塔层搜索窗大小。
-maxLevel：金字塔层的最大数目；如果置0，金字塔不使用(单层)；如果置1，金字塔2层，等等以此类推。
-criteria：指定搜索算法收敛迭代的类型
-minEigTheshold：算法计算的光流等式的2x2常规矩阵的最小特征值。

两张超声图像