OpenCV + CPP 系列（卅四）图像特征提取（亚像素级别角点检测）

亚像素级别角点检测

亚像素：在生成数字图像处理时（拍照等）我们是将物理世界中连续的图像进行了离散化处理。现实世界中颜色为连续的且有无数种类，成像到像素面上每一个像素点只代表其附近的颜色，我们常使用的3通道图像颜色种类（255*255*255）代表，至于“附近”到什么程度？就很困难解释。两个像素之间有5.2微米的距离，在宏观上可以看作是连在一起的。但是在微观上，它们之间还有无限的更小的东西存在。这个更小的东西我们称它为“亚像素”。实际上“亚像素”应该是存在的，只是硬件上没有个细微的传感器把它检测出来。于是软件上把它近似地计算出来。

亚像素级别角点检测，提高检测精准度；由于理论与现实总是不一致的，实际情况下几乎所有的角点不会是一个真正的准确像素点。例如(100, 5) 实际上（100.234， 5.789）。

特别是在：跟踪，三维重建，相机校正方面，为了获取更加精准的角点，这样一来就需要亚像素级别角点检测。

亚像素定位方法

• 插值方法
• 基于图像矩计算
• 曲线拟合方法 -（高斯曲面、多项式、椭圆曲面）

除了利用 Harris和 Shi-Tomasi方法进行角点检测 外， 还可以使用cornerEigenValsAndVecs() 函数和 cornerMinEigenVal() 函数自定义角点检测函数。 详情查看点击

如果对角点的精度有更高的要求，可以用 cornerSubPix() 函数将角点定位到子像素，从而取得亚像素级别的角点检测效果。

函数简介
函数goodFeaturesToTrack()函数只能提供简单的像素的整数坐标值，若需要实数坐标值则需要使用cornerSubPix()函数，用于寻找亚像素角点的位置：

void cornerSubPix(

InputArray image, 　　 　 　 　 输入图像；
InputOutputArray corners, 　 　初始化输入角点与精确的输出坐标
Size winSize, 　　　　　　　　搜索窗口半径。若Size(5,5)，表示(5*2+1)*(5*2+1)=11*11大小的搜索窗口。
Size zeroZone, 　　　　　　　表示死区的一半尺寸。为不对搜索区的中央位置做求和运算，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。
TermCriteria criteria 　　　　　求角点的迭代过程的终止条件。
);

• 其中：
  cv::TerCriteria::MAX_ITER ：迭代终止条件为达到最大迭代次数终止
  cv::TerCriteria::EPS ：　　　迭代到阈值终止
  cv::TerCriteria::MAX_ITER+cv::TerCriteria::EPS ：两者都作为迭代终止条件

头文件 image_feature_all.h：声明类与公共函数

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

using namespace cv;
using namespace std;

class ImageFeature {
public:
	void subpixel_corner_demo(Mat& image);
	
};

主函数main.cpp调用该类的公共成员函数

#include "image_feature_all.h"



int main(int argc, char** argv) {
	const char* img_path = "D:\\Desktop\\jianzhu.jpg";
	Mat image = imread(img_path);
	if (image.empty()) {
		cout << "图像数据为空，读取文件失败！" << endl;
	}
	ImageFeature imgfeature;
	imgfeature.subpixel_corner_demo(image);

	imshow("image", image);
	waitKey(0);
	destroyAllWindows();
	return 0;
}

演示像素坐标检测

检测出角点，再拟合亚像素级别角点位置

源文件 feature_extract.cpp：实现类与公共函数

static void on_subpixel(int num_corner, void* userdata) {
	Mat image = *((Mat*)userdata);
	Mat gray_src;
	cvtColor(image, gray_src, COLOR_BGR2GRAY);

	if (num_corner < 5) { num_corner = 5; }

	//角点检测Shi-Tomasi
	vector<Point2f> corners;
	double qualityLevel = 0.03;
	double minDistance = 10;
	int blockSize = 3;
	bool userHarris = false;
	double k = 0.04;
	goodFeaturesToTrack(gray_src, corners, num_corner, 
		qualityLevel, minDistance, Mat(), blockSize, userHarris, k);
	cout << "corners.size() = " << corners.size() << endl;

	//可视化
	RNG rng(12345);
	Mat resultImg = gray_src.clone();
	cvtColor(resultImg, resultImg, COLOR_GRAY2BGR);
	for (size_t i = 0; i < corners.size(); i++){
		Scalar color = Scalar(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255));
		circle(resultImg, corners[i], 2, color, 1, 8, 0);
	}
	imshow("subpixel", resultImg);

	//拟合亚像素角点位置并计算亚像素角点位置
	Size winSize = Size(5, 5);
	Size zerozone = Size(-1, -1);
	TermCriteria tc = TermCriteria(TermCriteria::EPS + TermCriteria::MAX_ITER, 40, 0.001);
	cornerSubPix(gray_src, corners, winSize, zerozone, tc);

	//打印精细坐标
	for (size_t i = 0; i < corners.size(); i++){
		cout << (i + 1) << ".point[x,y]\t" << corners[i].x << "," << corners[i].y << endl;
	}
	return;
}


void ImageFeature::subpixel_corner_demo(Mat& image) {
	cv::namedWindow("subpixel", WINDOW_NORMAL);
	int num_corner = 100;
	int max_corner = 500;
	createTrackbar("CorNum", "subpixel", &num_corner, max_corner, on_subpixel, (void*)&image);
	on_subpixel(0, &image);
}