【opencv 学习笔记】harris焦点检测和原理学习笔记

参考博客：

 

1、https://blog.csdn.net/with__sunshine/article/details/88954489

2、https://www.cnblogs.com/djrcomeon/p/12368533.html

使用sobel算子进行图像的梯度计算

3、https://blog.csdn.net/weixin_41745620/article/details/83618875

4、贾志刚老师的讲解和课件

正文：

1.Harris角点
1.1基本定义
首先，什么是角点，角点是指一个边缘轮廓的一角。角点可以在一个物体的边缘处，但是边缘不同于角点，简单来说角点就是同时是边缘和角的点。
1.2判断依据
计算机完成角点检测是通过一个小窗口逐步扫描过去来完成的，在移动过程中的灰度的变换则作为判断角点的依据：
①.当检测窗口移动时，灰度几乎没有发生变化 ->认为是“平整地带”；
②.当检测窗口移动时，灰度只在一个方向上发生突变 ->认为是“边缘地带”；
③.当检测窗口移动时，灰度在各个方向上均发生突变 ->认为是“角点地带”；

关于这个是不是有些不清楚，请看“二元函数的泰勒展开”

https://wenku.baidu.com/view/7a46a6d749649b6648d747cf.html

 

E(u,v)具体含义我也不知道，可以理解为沿着某个方向的变化大小的期望，配合之前的解释，沿着多个方向若灰度变化都很大则定义为角点。
化成矩阵的形式后记 M2 = [A, C; C, B]
A 是 图像在x方向上的二次偏导数；
B 是 图像在y方向上的二次偏导数；
C 是 图像在xy方向上的梯度乘积；
为了求A , C ,B我们需要首先计算两个方向上的梯度；梯度的计算表可以用sobel算子等相关算子进行计算。
这里要注意，在计算梯度时，通过计算梯度进行找出M矩阵

求出梯度的图，按照Ksize进行平移

 

遍历dst图像中各个值，如果值越大说明角点越明显，角点的可能性越大。

会得到harris的opencvAPI按照角度的计算值输出矩阵。

函数的API：

cornerHarris(gray_src, dst, blockSize, ksize, k, BORDER_DEFAULT);

 

源码：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;
Mat src, gray_src;
int thresh = 100;
int max_count = 255;
const char* output_title = "HarrisCornerDetection Result";
void Harris_Demo(int, void*);
int main(int argc, char** argv) {

	src = imread("C:/Users/Chengwen/Desktop/harris_corner.png");
	if (src.empty()) {
		printf("could not load image...\n");
		return -1;
	}
	namedWindow("input image", CV_WINDOW_AUTOSIZE);
	imshow("input image", src);

	namedWindow(output_title, CV_WINDOW_AUTOSIZE);
	cvtColor(src, gray_src, COLOR_BGR2GRAY);
	createTrackbar("Threshold:", output_title, &thresh, max_count, Harris_Demo);
	Harris_Demo(0, 0);

	waitKey(0);
	return 0;
}

void Harris_Demo(int, void*) {
	Mat dst, norm_dst, normScaleDst;
	dst = Mat::zeros(gray_src.size(), CV_32FC1);

	int blockSize = 2;
	int ksize = 3;
	double k = 0.04;
	cornerHarris(gray_src, dst, blockSize, ksize, k, BORDER_DEFAULT);
	normalize(dst, norm_dst, 0, 255, NORM_MINMAX, CV_32FC1, Mat());//归一化，将输出值进行重映射，值域0-255
	convertScaleAbs(norm_dst, normScaleDst);

	Mat resultImg = src.clone();
	for (int row = 0; row < resultImg.rows; row++) {
		for (int col = 0; col < resultImg.cols; col++) {
			int value = normScaleDst.at<uchar>(row,col);//遍历归一化后的结果图，把值提出来
			if (value > thresh) {
				circle(resultImg, Point(col, row), 2, Scalar(0, 0, 255), 2, 8, 0);
			}
		
		}
	}

	imshow(output_title, resultImg);
}

可以共同讨论，相互学习！