角点检测c语言,Harris角点检测算法 原理及C++实现-Go语言中文社区

最新推荐文章于 2021-11-21 23:21:35 发布
最新推荐文章于 2021-11-21 23:21:35 发布
阅读量335 收藏
点赞数
文章标签： 角点检测c语言

算法基础

首先要知道什么是角点？角点指的是两条边的交点，在图像处理中是指那些可以表示像素变化，例如局部最大最小的灰度的点。图像的特征类型一般为：

边缘

角点(感兴趣的关键点)

斑点(感兴趣区域)

角点在保留图像的重要特征的同时，可以有效的减少信息的计算量，使其信息含量很高，可以有效的提高计算速度，和有利于图像的匹配，使得实时处理成为可能。

算法原理

be93bd1b477f1ece3c0c1cbf5563a354.png通过这个图可以看到，大概就是在某一个像素点周围有一个滑动窗口，当这个滑动窗口在各个方向进行小范围移动的时候，我们看一下像素的平均灰度值的变化情况。公式可以表示为：

E(u,v)=∑x,yw(x,y)[I(x+u,y+v)−I(x,y)]2E(u, v)=sum_{x,y}w(x,y)[I(x+u, y+v)-I(x,y)]^2E(u,v)=∑x,y​w(x,y)[I(x+u,y+v)−I(x,y)]2，其中u,vu,vu,v是窗口在水平，竖直方向的偏移，然后，这里要对在(x+u,y+v)在(x,y)点进行二阶泰勒级数展开，然后取一阶近似，这个公式的展开，可以百度一下二阶泰勒级数的近视，得到E(u,v)E(u,v)E(u,v)约等于∑x,yw(x,y)[I(x+y)+uIx+vIy−I(x,y)]2=∑x,y[uIx+vIy]2=(u,v)∑x,yw(x,y)[IxIy,IxIyIxIy,IyIy][uv]sum_{x,y}w(x,y)[I(x+y)+uI_x+vI_y-I(x,y)]^2=sum_{x,y}[uI_x+vI_y]^2=(u ,v)sum_{x,y}w(x,y)begin{bmatrix}I_xI_y , I_xI_y\ I_xI_y, I_yI_yend{bmatrix}begin{bmatrix}u\v end{bmatrix}∑x,y​w(x,y)[I(x+y)+uIx​+vIy​−I(x,y)]2=∑x,y​[uIx​+vIy​]2=(u,v)∑x,y​w(x,y)[Ix​Iy​,Ix​Iy​Ix​Iy​,Iy​Iy​​][uv​]，其中∑x,yw(x,y)[IxIy,IxIyIxIy,IyIy]sum_{x,y}w(x,y)begin{bmatrix}I_xI_y , I_xI_y\ I_xI_y, I_yI_yend{bmatrix}∑x,y​w(x,y)[Ix​Iy​,Ix​Iy​Ix​Iy​,Iy​Iy​​]被我们叫做结构张量。我们需要寻找一个这样的点，无论我们如何取(u,v)，E(u,v)都是变化较大的，这个像素点就是我们需要找的角点。接下来的推导，大家可以去看：https://blog.csdn.net/linqianbi/article/details/78930239 这位博主的，我的理解就是结构张量的IxI_xIx​和IyI_yIy​的变化情况可以反应像素是边(edge)还是角点(corner)，还是面(flat)。然后通过两个变量来判断角点不诗很方便，所以论文提出了一个角点响应函数R(corner response function),R=detM−k(traceM)2R=detM-k(trace M)^2R=detM−k(traceM)2,其中detM=λ1λ2detM = lambda_1lambda_2detM=λ1​λ2​，traceM=λ1+λ2trace M=lambda1+lambda_2traceM=λ1+λ2​，k是一个[0.04,0.06][0.04,0.06][0.04,0.06]的常数，现在的判断逻辑为:

角点：R为大数值整数

边缘：R为大数值负数

平坦区：绝对值R是小数值

算法步骤

1利用Sobel算子计算除XY方向的梯度值

2计算出lx2lx^2lx2，ly2ly^2ly2,lx∗lylx*lylx∗ly

3利用高斯函数对lx2,ly2,lx∗lylx^2,ly^2,lx*lylx2,ly2,lx∗ly进行滤波

4计算局部特征结果矩阵M的特征值和响应函数C(i,j)=Det(M)−k(trace(M))2(0.04<=k<=0.06)C(i,j)=Det(M)-k(trace(M))^2(0.04<=k<=0.06)C(i,j)=Det(M)−k(trace(M))2(0.04<=k<=0.06)

5将计算出响应函数的值C进行非极大值抑制，滤除一些不是角点的点，同时满足大于设定的阈值

代码实现

Mat RGB2GRAY(const Mat &src){

if(!src.data || src.channels()!=3){

exit(1);

}

int row = src.rows;

int col = src.cols;

Mat gray = Mat(row, col, CV_8UC1);

for(int i = 0; i < row; i++){

for(int j = 0; j < col; j++){

gray.at(i, j) = (uchar)(0.114 * src.at(i, j)[0] + 0.587 * src.at(i, j)[1] + 0.299 * src.at(i, j)[2]);

}

}

return gray;

}

void SobelGradDirction(Mat &src, Mat &sobelX, Mat &sobelY){

int row = src.rows;

int col = src.cols;

sobelX = Mat::zeros(src.size(), CV_32SC1);

sobelY = Mat::zeros(src.size(), CV_32SC1);

for(int i = 0; i < row-1; i++){

for(int j = 0; j < col-1; j++){

double gradY = src.at(i+1, j-1) + src.at(i+1, j) * 2 + src.at(i+1, j+1) - src.at(i-1, j-1) - src.at(i-1, j) * 2 - src.at(i-1, j+1);

sobelY.at(i, j) = abs(gradY);

double gradX = src.at(i-1, j+1) + src.at(i, j+1) * 2 + src.at(i+1, j+1) - src.at(i-1, j-1) - src.at(i, j-1) * 2 - src.at(i+1, j-1);

sobelX.at(i, j) = abs(gradX);

}

}

//将梯度数组转换为8位无符号整形

convertScaleAbs(sobelX, sobelX);

convertScaleAbs(sobelY, sobelY);

}

Mat SobelXX(const Mat src){

int row = src.rows;

int col = src.cols;

Mat_ dst(row, col, CV_32FC1);

for(int i = 0; i < row; i++){

for(int j = 0; j < col; j++){

dst.at(i, j) = src.at(i, j) * src.at(i, j);

}

}

return dst;

}

Mat SobelYY(const Mat src){

int row = src.rows;

int col = src.cols;

Mat_ dst(row, col, CV_32FC1);

for(int i = 0; i < row; i++){

for(int j = 0; j < col; j++){

dst.at(i, j) = src.at(i, j) * src.at(i, j);

}

}

return dst;

}

Mat SobelXY(const Mat src1, const Mat &src2){

int row = src1.rows;

int col = src1.cols;

Mat_ dst(row, col, CV_32FC1);

for(int i = 0; i < row; i++){

for(int j = 0; j < col; j++){

dst.at(i, j) = src1.at(i, j) * src2.at(i, j);

}

}

return dst;

}

void separateGaussianFilter(Mat_ &src, Mat_ &dst, int ksize, double sigma){

CV_Assert(src.channels()==1 || src.channels() == 3); //只处理单通道或者三通道图像

//生成一维的

double *matrix = new double[ksize];

double sum = 0;

int origin = ksize / 2;

for(int i = 0; i < ksize; i++){

double g = exp(-(i-origin) * (i-origin) / (2 * sigma * sigma));

sum += g;

matrix[i] = g;

}

for(int i = 0; i < ksize; i++) matrix[i] /= sum;

int border = ksize / 2;

copyMakeBorder(src, dst, border, border, border, border, BORDER_CONSTANT);

int channels = dst.channels();

int rows = dst.rows - border;

int cols = dst.cols - border;

//水平方向

for(int i = border; i < rows - border; i++){

for(int j = border; j < cols - border; j++){

float sum[3] = {0};

for(int k = -border; k<=border; k++){

if(channels == 1){

sum[0] += matrix[border + k] * dst.at(i, j+k);

}else if(channels == 3){

Vec3f rgb = dst.at(i, j+k);

sum[0] += matrix[border+k] * rgb[0];

sum[1] += matrix[border+k] * rgb[1];

sum[2] += matrix[border+k] * rgb[2];

}

}

for(int k = 0; k < channels; k++){

if(sum[k] < 0) sum[k] = 0;

else if(sum[k] > 255) sum[k] = 255;

}

if(channels == 1)

dst.at(i, j) = static_cast(sum[0]);

else if(channels == 3){

Vec3f rgb = {static_cast(sum[0]), static_cast(sum[1]), static_cast(sum[2])};

dst.at(i, j) = rgb;

}

}

}

//竖直方向

for(int i = border; i < rows - border; i++){

for(int j = border; j < cols - border; j++){

float sum[3] = {0};

for(int k = -border; k<=border; k++){

if(channels == 1){

sum[0] += matrix[border + k] * dst.at(i+k, j);

}else if(channels == 3){

Vec3f rgb = dst.at(i+k, j);

sum[0] += matrix[border+k] * rgb[0];

sum[1] += matrix[border+k] * rgb[1];

sum[2] += matrix[border+k] * rgb[2];

}

}

for(int k = 0; k < channels; k++){

if(sum[k] < 0) sum[k] = 0;

else if(sum[k] > 255) sum[k] = 255;

}

if(channels == 1)

dst.at(i, j) = static_cast(sum[0]);

else if(channels == 3){

Vec3f rgb = {static_cast(sum[0]), static_cast(sum[1]), static_cast(sum[2])};

dst.at(i, j) = rgb;

}

}

}

delete [] matrix;

}

Mat harrisResponse(Mat_ GaussXX, Mat_ GaussYY, Mat_ GaussXY, float k){

int row = GaussXX.rows;

int col = GaussXX.cols;

Mat_ dst(row, col, CV_32FC1);

for(int i = 0; i < row; i++){

for(int j = 0; j < col; j++){

float a = GaussXX.at(i, j);

float b = GaussYY.at(i, j);

float c = GaussXY.at(i, j);

dst.at(i, j) = a * b - c * c - k * (a + b) * (a + b);

}

}

return dst;

}

int dir[8][2] = {0, 1, 0, -1, 1, 0, -1, 0, 1, 1, 1, -1, -1, 1, -1, -1};

void MaxLocalValue(Mat_&resultData, Mat srcGray, Mat &resultImage, int kSize){

int r = kSize / 2;

resultImage = srcGray.clone();

int row = resultImage.rows;

int col = resultImage.cols;

for(int i = r; i < row - r; i++){

for(int j = r; j < col - r; j++){

bool flag = true;

for(int k = 0; k < 8; k++){

int tx = i + dir[k][0];

int ty = j + dir[k][1];

if(resultData.at(i, j) < resultData.at(tx, ty)){

flag = false;

}

}

if(flag && (int)resultData.at(i, j) > 18000){

circle(resultImage, Point(i, j), 5, Scalar(0, 0, 255), 2, 8, 0);

}

}

}

}

效果

0597d8900147fd9f19f0f9397af8da48.png原图

3e7b192f5d97b6d88975118931f9c075.png效果图

weixin_39942474
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Harris 角点检测c++源码实现
DU_YULIN的博客
06-12 1621
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 系列文章目录 前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习..
Harris角度检测
05-01
基于opencv的角点检测算法，只用opencv读取像素，其他部分都是c语言编写
CS131专题-5：图像特征——Harris角点
不精，不诚，不足以动人
11-21 2506
目录 1 图像特征 2 点特征——Harris角点 2.1 角点 2.2 数学描述 2.3 公式推导 2.4 公式的物理意义 2.5 算法流程 2.6检测效果 2.7 Harris角点性质 1 图像特征 试想，从不同的距离，不同的方向、角度，不同的光照条件下观察一个物体时，物体的大小、形状、明暗都会有所不同。但我们依然可以判断它是同一个物体。 这是因为什么呢？因为特征！ 计算机视觉中常用的图像特征包括：点、边缘、以及特有的组件等等。 而其中点特征（不是指像素点，而是指图像.
图像特征提取与检测——Harris角点检测
会飞的鱼
08-25 1353
OpenCV中的Harris角点检测： C++:voidcornerHarris(InputArraysrc,OutputArraydst,intblockSize,intksize,doublek,intborderType=BORDER_DEFAULT) 参数的意义如下： 第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可，且需为单通道8位或者浮点型图...
角点检测c语言,Harris角点检测原理概述及程序实验
weixin_39518530的博客
05-21 165
参考博文：https://blog.csdn.net/lwzkiller/article/details/54633670https://blog.csdn.net/ihadl/article/details/18272627角点的定义角点检测又叫做特征点检测，是计算机视觉中用来获得图像特征的一种方法，可以应用在图像匹配，目标识别和三维重建等领域中。如果一个点在任意方向进行微小的变动都会引起很大的...
图像特征检测(Image Feature Detection)
Vast_Sea的专栏
11-18 7475
前言     图像特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。本文主要探讨如何提取图像中的“角点”这一特征，及其相关的内容。而诸如直方图、边缘、区域等内容在前文中有所提及，请查看相关文章。OpenCv（EmguCv）中实现了多种角点特征的提取方法，包括：Harris角点、ShiTomasi角点、亚像素级角点、SURF角点、St
交通标识牌检测c++代码
01-23
2. 特征检测与选择：使用OpenCV中的特征检测算法（如Harris角点检测、SIFT或SURF等）找到图像中的关键点，这些关键点通常是边缘或形状变化的地方，可能对应于交通标志的边缘。 3. 区域分割：利用颜色阈值或者边缘...
常用的图像处理算法及其实现（C语言）
10-29
- **角点检测**：如Harris角点检测和Shi-Tomasi角点检测，用于特征匹配。 - **边缘检测**：Canny边缘检测、Prewitt和Roberts算子等，用于轮廓识别。 6. **图像分析** - **直方图均衡化**：改善图像对比度，扩大...
C语言图像处理与机器视觉篇,图像处理C语言,C,C++
09-10
例如，可以使用C语言编写算法来实现边缘检测（如Sobel或Canny算法）、角点检测（如Harris角点检测）、纹理分析和模板匹配等。 在C语言中，图像通常以二维数组的形式存储，每个元素代表图像的一个像素。对于彩色图像...
C语言图像处理与机器视觉篇,图像处理C语言,C,C++源码.zip
10-15
在机器视觉方面，C语言的低级特性使得它适合构建复杂的计算模型，例如模板匹配、特征检测（如角点检测、Harris角点、SIFT、SURF）、物体识别、深度学习模型的前向传播等。机器视觉系统通常需要实时处理大量数据，...
harris图像配准c语言程序
04-07
harris图像配准程序c语言实现 ori_im=double(f)/255; %unit8转化为64为双精度double64 fx = [-2 -1 0 1 2]; % x方向梯度算子(用于Harris角点提取算法) Ix = filter2(fx,ori_im); % x方向滤波 % fy = [5 8 5;0 0 0;-5 -8 -5]; % 高斯函数一阶微分，y方向(用于改进的Harris角点提取算法) fy = [-2;-1;0;1;2]; % y方向梯度算子(用于Harris角点提取算法) Iy = filter2(fy,ori_im); % y方向滤波 Ix2 = Ix.^2; Iy2 = Iy.^2; Ixy = Ix.*Iy; clear Ix; clear Iy;
Harris角点检测
wangzi95的博客
09-02 91
https://blog.csdn.net/qq_18343569/article/details/48006093
角点检测c语言,LOCOCO角点检测方法（一种快速精确的Harris及KLT）介绍
weixin_36140358的博客
05-21 282
虽然Harris及KLT(Kanade-Lucas-Tomasi)等方法被广泛等应用于角特征检测领域，但是由于这些算子计算复杂，很难达到实时运行，所以其应用也受到了限制。由此一种新的实时快速算法LOCOCO角点检测方法(2011年)被提出，它重新设计了Harris及KLT算法来减少其计算复杂度，并提出了一种子像素精确度的角点位置确定。Harris算法及KLT的方法非常类似，都是属于对图像像素强度梯...
毛星云opencv之10.1.4实现Harris角点检测：cornerHarris()函数
weixin_52634719的博客
11-10 1103
#include <opencv2/opencv.hpp> #include<opencv2/core/core.hpp> #include"opencv2/highgui/highgui.hpp" #include<opencv2/imgproc/imgproc.hpp> #include<iostream> #include<time.h> #include<vector> using namespace std; using n.
角点检测c语言,Harris角点检测原理及C++实现
weixin_36190719的博客
05-21 365
#include "my_harris.h"#define pi 3.14my_Harris::my_Harris(){}void my_Harris::RGB2GRAY(Mat rgb_img, Mat &gray_img){Mat img_src=rgb_img.clone();int rows =img_src.rows;int cols =img_src.cols;Mat img_...
【机器视觉学习笔记】Harris 角点检测算法（C++）
乙酸氧铍的博客
10-26 1540
目录源码效果原图输出 平台：Windows 10 20H2 Visual Studio 2015 OpenCV 4.5.3 本文代码摘自2、Harris角点检测算法 —— 诺亚方舟369 源码 /********************************************************************************** *函数 Mat detectHarrisCorners(const Mat& imgSrc, double alpha) *输入: *i
角点检测c语言,角点检测（1）Moravec's 算子
weixin_32287177的博客
05-21 293
角点检测 流程1.使用角点操作子 : 这个步骤将图片和角点操作子需要的少数特定参数作为输入.对于输入图片的每个像素点将使用角点操作子为其生成一个角点幅值.角点幅值是一个简单的数字用于指明角点操作子将一个像素判断为角点的程度.兴趣点角点检测算法在角点操作子如何生成幅值上各有不同,但所有的算法在计算幅值时都只考虑一个以像素为中心点的小窗口中的像素.这个步骤将输出角点幅值表.因为对于输入图像...
Harris算子实现（C++）
qq_42315165的博客
12-05 2287
Harris算子实现（C++）一、Harris算子原理二、C++实现1. 步骤2. 实现代码三、处理结果 一、Harris算子原理 Harris算子受信号处理中自相关函数的启发，给出与自相关函数相联系的矩阵M。M阵的特征值是自相关函数的一阶曲率，如果两个曲率值都高，那么就认为该点是角点特征。 ① 首先确定一个n×n大小的影像窗口，对窗口内的每一个像素点进行一阶差分运算，求得在x，y方向的梯度； ② 对梯度值进行高斯滤波，高斯卷积模板的值取0.3~0.9； ③ 选取局部极值点，在窗口内取最大值。局部极值.
阐述Harris角点检测算法原理？用matlab实现harris角点检测的程序以及调试的结果
最新发布
06-08
Harris 角点检测算法是一种经典的特征点检测算法，其主要思想是通过计算图像中每个像素点的局部方向性差异来判断其是否为角点。 具体来说，Harris 角点检测算法的流程如下： 1. 对于图像中的每个像素点，计算其在 ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值