harris角点检测_OpenCV开发笔记（六十二）：红胖子8分钟带你深入了解亚像素角点检测...

若该文为原创文章，未经允许不得转载
原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/106665993
各位读者，知识无穷而人力有穷，要么改需求，要么找专业人士，要么自己研究
红胖子(红模仿)的博文大全：开发技术集合（包含Qt实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬结合等等）持续更新中…（点击传送门）

OpenCV开发专栏（点击传送门）

上一篇：《OpenCV开发笔记（六十一）：红胖子8分钟带你深入了解Shi-Tomasi角点检测（图文并茂+浅显易懂+程序源码）》
下一篇：持续补充中…

前言

红胖子，来也！
本篇主要说亚像素角点，又叫次级像素角点，其实通俗来说，就是输入整数坐标，使用最小二乘法迭代计算所需精度的实数坐标。

Demo

亚像素角点

概述

进行图像处理提取用于识别的特征点进行几何测量，这通常需要更高的精度，而函数goodFeaturesToTrack()只能提供简单的像素的坐怀值，也就是说，有时候会需要要实数坐标值而不是整数坐标值。
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，或者重被功跟踪目标的三维结构时候，是一个基本的测量值 。

Shi-Tomasi角点检测

goodFeaturesToTrack()函数检测是的Shi-Tomasi角点。
《OpenCV开发笔记（六十一）：红胖子8分钟带你深入了解Shi-Tomasi角点检测（图文并茂+浅显易懂+程序源码）》

亚像素角点检测原理

其中，(a)点p附近的图像是均匀的，其梯度为0，(b)边缘的梯度与沿地缘方向的q-p向量正交。在图中的两种情况下，p点梯度与q-p向量的点积均为0。
假设起始角点q在实际亚像素级角点的附近。检测所有的q-p向量。若点p位于一个均匀的区域，则点p处的梯度为0。若q-p向量的方向与边缘的方向一致，则此边缘上p点处的梯度与q-p向量正交，在这两种情况下，p点处的梯度与q-p向量的点积为0。可以在p点周围找到很多组梯度以及相关的向量q节，令其点集为0，然后可以通过求解方程组，方程组的解即为角点q的亚像素级精度的位置，也就是精确的角点位置。

TermCriteri迭代标注类的构造函数

TermCriteria(int type, int maxCount, double epsilon);

• 参数一：int类型的type，枚举为TermCriteria::Type类型，终止标准的类型：

• 参数二：int类型的maxCount，最大迭代次数/元素数；
• 参数三：double类型的epsilon，所需的精度。

函数原型

void cornerSubPix( InputArray image, InputOutputArray corners, Size winSize, Size zeroZone, TermCriteria criteria );

• 参数一：InputArray类型的image，输入图像，即源图像，填Mat类的对象，必须为单通道图像；
• 参数二：InputOutputArray类型的corners，提供输入角点的初始坐标和精确的输出坐标；
• 参数三：Sjze类型的winSjze，搜索窗口的一半尺寸。若winSize=Size(5,5)，那么就表示使用(52+1)x(52+1)=11x11大小的搜索窗口。
• 参数四：Size类型的zeroZone，表示死区的一半尺寸。而死区为不对搜索区的中央位置做求和运算的区域，用来避免自相关矩阵出现的某些可能的奇异性。值为(-1，-1)表示没有死区。
• 参数五：TermCriteria类型的criteria，求角点的迭代过程的终止条件。即角点位置的确定，要么迭代数大于某个设定值，或者是精到达某个设定值。cirteria可以是最大迭代数目，或者是设定的精确度，也可以是它们的组合。

Demo源码

void OpenCVManager::testCornerSubPix() { QString fileName1 = "E:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/1.jpg"; int width = 400; int height = 300; cv::Mat srcMat = cv::imread(fileName1.toStdString()); cv::resize(srcMat, srcMat, cv::Size(width, height)); cv::String windowName = _windowTitle.toStdString(); cvui::init(windowName); cv::Mat windowMat = cv::Mat(cv::Size(srcMat.cols * 2, srcMat.rows * 3), srcMat.type()); int qualityLevel = 1; int minDistance = 10; int iterations = 5; int epsilon = 1; while(true) { windowMat = cv::Scalar(0, 0, 0); cv::Mat mat; cv::Mat tempMat; // 原图先copy到左边 mat = windowMat(cv::Range(srcMat.rows * 0, srcMat.rows * 1), cv::Range(srcMat.cols * 0, srcMat.cols * 1)); cv::addWeighted(mat, 0.0f, srcMat, 1.0f, 0.0f, mat); { // 灰度图 cv::Mat grayMat; cv::cvtColor(srcMat, grayMat, cv::COLOR_BGR2GRAY); cv::Mat grayMat2; cv::cvtColor(grayMat, grayMat2, cv::COLOR_GRAY2BGR); cv::addWeighted(mat, 0.0f, grayMat2, 1.0f, 0.0f, mat); cvui::printf(windowMat, width * 1 + 20, height * 0 + 10, "qualityLevel / 100.0f"); cvui::trackbar(windowMat, width * 1 + 20, height * 0 + 30, 200, &qualityLevel, 1, 99); cvui::printf(windowMat, width * 1 + 20, height * 0 + 80, "minDistance"); cvui::trackbar(windowMat, width * 1 + 20, height * 0 + 100, 200, &minDistance, 1, 100); cvui::printf(windowMat, width * 1 + 20, height * 0 + 150, "iterations"); cvui::trackbar(windowMat, width * 1 + 20, height * 0 + 170, 200, &iterations, 1, 100); cvui::printf(windowMat, width * 1 + 20, height * 0 + 220, "epsilon/100.0f"); cvui::trackbar(windowMat, width * 1 + 20, height * 0 + 240, 200, &epsilon, 1, 1000); // Shi-Tomasi角点检测 std::vector<cv::Point2f> corners; cv::goodFeaturesToTrack(grayMat, // 输入图像 corners, // 输出角点 100, // 最大输出角点数量 qualityLevel / 100.0f, // 最小特征值 minDistance, // 最小间隔距离 cv::noArray(), // 感兴趣的区域 3, // 计算矩阵时的领域范围 false, // 不适用harris角点检测 0.04); // 权重系数 cv::Mat tempMat4 = srcMat.clone(); for (int i = 0; i < corners.size(); i++) { cv::circle(tempMat4, corners[i], 5, cv::Scalar(0, 255, 0), 2, 8, 0); cvui::printf(windowMat, width * 0 + 20, height * 1 + 20 * i, "%f,%f", corners[i].x, corners[i].y); } // copy mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3), cv::Range(srcMat.cols * 0, srcMat.cols * 1)); cv::addWeighted(mat, 0.0f, tempMat4, 1.0f, 0.0f, mat); //指定亚像素计算迭代标注 cv::TermCriteria criteria = cv::TermCriteria( cv::TermCriteria::EPS, iterations, // 迭代次数 epsilon); // 精度 //亚像素检测 cv::cornerSubPix(grayMat, corners, cv::Size(5, 5), cv::Size(-1, -1), criteria); //将检测到的亚像素角点绘制到原图上 cv::Mat tempMat3 = srcMat.clone(); for (int i = 0; i < corners.size(); i++) { cv::circle(tempMat3, corners[i], 5, cv::Scalar(0, 255, 0), 2, 8, 0); cvui::printf(windowMat, width * 1 + 20, height * 1 + 20 * i, "%f,%f", corners[i].x, corners[i].y); } // copy mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3), cv::Range(srcMat.cols * 1, srcMat.cols * 2)); cv::addWeighted(mat, 0.0f, tempMat3, 1.0f, 0.0f, mat); } // 更新 cvui::update(); // 显示 cv::imshow(windowName, windowMat); // esc键退出 if(cv::waitKey(25) == 27) { break; } } }

工程模板：对应版本号v1.56.0

对应版本号v1.56.0

上一篇：《OpenCV开发笔记（六十一）：红胖子8分钟带你深入了解Shi-Tomasi角点检测（图文并茂+浅显易懂+程序源码）》
下一篇：持续补充中…

原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/106665993