OpenCV学习笔记（八）检测兴趣点

一、检测图像中的角点

1、定义
角点是指两条边缘线的结合点，是一种二维特征，Harris特征检测是检测角点的经典方法。

2、函数实现
在OpenCV中用cv::cornerHarris函数实现角点检测。首先用cornerHarris函数计算出Harris值，，然后检测角点。

3、总结一下最近遇到的函数
①void minMaxLoc(const MatND& src, double* minVal, double* maxVal, int* minIdx=0, int* maxIdx=0, const MatND& mask=MatND() )寻找矩阵(一维数组当作向量,用Mat定义) 中最小值和最大值的位置
参数1：InputArray类型的src，输入单通道数组（图像）。
参数2：double*类型的minVal，返回最小值的指针。若无须返回，此值置为NULL。
参数3：double*类型的maxVal，返回最大值的指针。若无须返回，此值置为NULL。
参数4：Point*类型的minLoc，返回最小位置的指针（二维情况下）。若无须返回，此值置为NULL。
参数5：Point*类型的maxLoc，返回最大位置的指针（二维情况下）。若无须返回，此值置为NULL。
参数6：InputArray类型的mask，用于选择子阵列的可选掩膜。
②cv::compare()主要用于两个图像之间进行逐像素的比较，并输出比较的结果
 

cv::compare()
	bool cv::compare(
	cv::InputArray src1, // 输入数组1
	cv::InputArray src2, // 输入数组2
	cv::OutputArray dst, // 输出数组
	int cmpop // 比较操作子,见下表 
);

4、角点定义
在Harris特征检测中，角点的定义：在假定的兴趣点周围放置一个小窗口，在所有方向上计算平均强度变化值，若不止一个方向变化值很高，就认为是角点，用均方差之和表示。Harris测试步骤为：首先获得平均强度值变化最大的方向，然后检测垂直方向上平均强度变化值，若也是很大，则认为是角点，可以用泰勒展开近似计算，写成矩阵形式是一个协方差矩阵，定义了图像的一阶导数，因此和Soble算子有关系。判断一个角点的条件是协方差矩阵最小特征值要大于指定的阈值。

5、改进
为解决特征点聚集问题，使用了GFTT算法，限制两个监测点之间的距离。GFTT是一个检测器，使用检测器创建函数创建检测器，该函数会返回一个智能指针，然后用这个指针调用检测方法。

二、快速检测特征

FAST特征点算子（加速分割测试获得特征）

1、原理
它也是一个检测器，使用了智能指针。以某个点为圆心做圆，若存在一段圆弧，连续长度超过周长的3/4，并且它上面的像素值与圆心的强度值明显不同，就认定为一个关键点。可以只检测上下左右四个点来判断是否为关键点，也有九点检测类型。

2、绘图的通用函数
drawKeypoints，在图像上绘制关键点。

3、若特征点分布不均匀，可以将图像分割成网格状，对每个小图像进行单独检测，叫做网格适配特征检测。

三、尺度不变特征的检测

在多种尺度下拍摄同一个物体，都可以检测到一致的关键点。

1、SURF特征检测，加速稳健特征。它也是一个检测器，该检测器得到的关键点的圆，圆的尺寸与每个特征检测得到的尺寸成正比，并每个特征关联了一个方向，使特征具有旋转不变性。使用了高斯内核

2、SUFR算法是SIFT（尺度不变特征转换）算法的加速版。使用了拉普拉斯滤波器响应。

3、Hessian矩阵（海森矩阵）
用来衡量一个函数的局部曲率。

四、多尺度FAST特征的检测（涉及到图像金字塔）

1、BRISK（二元稳健恒定可扩展关键点）检测法
基于FAST特征检测。

2、ORB检测法（定向FAST和旋转BRIEF）