features2d_1_特征点检测与匹配

一角点检测

兴趣点=关键点=特征点，检测足够多的点，同时他们的区分度很高,则可以精确定位稳定的特征
特征类型分为：
[1]边缘
[2]角点(感兴趣关键点)
[3]斑点(Blobs) (感兴趣区域)

角点是在任意方向的一个微小变动都会引起灰度很大的变化的点。
角点：
[1]一阶导数(灰度的梯度)的局部最大所对应的像素点
[2]两条及两条以上边缘的交点
[3]图像中梯度和梯度方向的变化速率都很高的点
[4]角点处的一阶导数最大，二阶导数为0，它指示了物体边缘变化不连续的方向

1，Harris角点检测
基于灰度图像的角点提取算法，稳定性高。采用高斯滤波，速度较慢，角点信息有丢失和位置偏移的现象，有聚簇现象。
针对每一个像素，在blockSize×blockSize的邻域内，计算


根据设定的阈值threshold，如果R>threshold，则判断为角点

void cornerHarris(InputArray src, OutputArray dst, 
                  int blockSize, int ksize, double k, 
                  int borderType=BORDER_DEFAULT )
//src，单通道8-bit或浮点型图像
//dst，与src同size，type为CV_32FC1，用来存储R值
//blockSize，针对每一个像素的邻域大小
//ksize，进行Sobel边缘检测的ksize
//k，计算公式中的参数k
//borderType，边界拓展类型                  

应用：

//转化成灰度图
cv::cvtColor(image,Image,CV_BGR2GRAY);

//进行角点检测
cv::Mat process;
int blockSize=2;
int ksize=3;
double k=0.04;
cv::cornerHarris(Image,process,blockSize,ksize,k);

//进行归一化，使值落在0~255
cv::normalize(process,process,0,255,cv::NORM_MINMAX,
              CV_32FC1);

//对于大于设定阈值的点，判断为角点
int thresh=120;
for(int i=0;i<result.rows;i++)
for(int j=0;j<result.cols;j++)
if(process.at<float>(i,j)>thresh)
{
cv::circle(result,cv::Point(j,i),5,cv::Scalar(0,0,255),2);
}

效果图：

2,Shi-Tomasi角点检测
用于强角点的检测，是Harris算法的改进版，两个特征值中较小的一个大于最小阈值，会得到强角点
角点检测原理：
[1]首先利用cornerHarris()或者cornerMnEigenVal()，计算角点的质量
[2]执行非极大抑制，在3*3邻域内局部最大值被保留
[3]有最小特征值比还要小的点被抛弃
[4]剩下的角点，根据质量进行递减排序
[5]根据角点间距离minDistance，留下质量好的角点

void goodFeaturesToTrack(InputArray image, 
                         OutputArray corners, 
                         int maxCorners, 
                         double qualityLevel, 
                         double minDistance, 
                         InputArray mask=noArray(), 
                         int blockSize=3, 
                         bool useHarrisDetector=false, 
                         double k=0.04 )
/*image，单通道,8-bit或者32位浮点型
 *corners，输出被检测到的角点向量，vector<Point2f>
 *maxCorners,角点的最大数量
 *qualityLevel，用于计算最小特征值的参数，最小特征值
 *=qualityLevel×最大特征值,一般为0.01/0.1
 *minDistance，角点间的最小距离
 *mask，掩码
 *blockSize，每个像素邻域
 *useHarrisDetector,如果true使用cornerHarris(),否则
 *cornerMnEigenVal()
 *k,Harris的参数
 */                         

应用：

//转化成灰度图
cv::cvtColor(image,Image,CV_BGR2GRAY);

//查找角点
std::vector<cv::Point2f> corners;
cv::goodFeaturesToTrack(Image,corners,100,0.01,8);

cv::Size winSize(5,5);
cv::Size zeroZone(-1,-1);
cv::TermCriteria criteria=
cv::TermCriteria(CV_TERMCRIT_EPS+CV_TERMCRIT_ITER,40,0.01);
//进行亚像素精确化
cv::cornerSubPix(Image,corners,winSize,zeroZone,criteria);
//进行标记
for(int i=0;i<corners.size();i++)
{
cv::circle(result,corners[i],5,cv::Scalar(0,0,255),2);
}

效果图：

3，创建自己的角点检测
1>计算角点检测特征值和特征向量
对于每一个像素p，在blockSize×blockSize区域内，通过Sobel计算协变矩阵：

为M的非排序特征值。
x1,y1为的特征向量
x2,y2为的特征向量
存储在dst中

void cornerEigenValsAndVecs(InputArray src, OutputArray dst, 
                            int blockSize, int ksize, 
                            int borderType=BORDER_DEFAULT )
//src，单通道，8-bit或浮点型图像
//dst，与src同size，type为CV_32FC(6)
//blockSize，邻域大小
//ksize，Sobel边缘检测的ksize
//borderType，边界拓展类型                            

2>为角点检测，计算梯度矩阵的最小的特征值
用来寻找中的最小值

void cornerMinEigenVal(InputArray src, OutputArray dst, 
                       int blockSize, int ksize=3, 
                       int borderType=BORDER_DEFAULT )
//src，单通道，8-bit或浮点型图像
//dst，存储最小的特征值，与src同size，type为CV_32