openCV角点检测
1,这章偷懒:
有个函数看不懂
cornerEigenValsAndVecs() 作用:计算图像块的特征值和特征向量用于角点检测。 形式:void cornerEigenValsAndVecs(InputArray src, OutputArray dst, int blockSize, int ksize, int borderType=BORDER_DEFAULT ); 参数: src:输入单通道8位或浮点图像; dst:用来存储结果的图像;它有src相同的大小和类型为CV_32FC(6); blockSize:领域尺寸; ksize:Sobel()算子的孔径参数; borderType:像素外推方式;
输出结果是:dst 图像类型应该为CV_32FC(6),包含2个特征值,以及对应的2个2维向量,总计6个结果
类型六个数分别为(λ1,λ2,X1,Y1,X2,Y2)
1.角点概述
角点是图像很重要的特征,对图像图形的理解和分析有很重要的作用。角点在保留图像图形重要特征的同时,可以有效地减少信息的数据量,使其信息的含量很高,
有效地提高了计算的速度,有利于图像的可靠匹配,使得实时处理成为可能。角点在三维场景重建运动估计,目标跟踪、目标识别、图像配准与匹配等计算机视觉领域起着非常重要的作用。在现实世界中,角点对应于物体的拐角,道路的十字路口、丁字路口等。从图像分析的角度来定义角点可以有以下两种定义:
a. 角点可以是两个边缘的角点;
b. 角点是邻域内具有两个主方向的特征点;
前者往往需要对图像边缘进行编码,这在很大程度上依赖于图像的分割与边缘提取,具有相当大的难度和计算量,且一旦待检测目标局部发生变化,很可能导致操作的失败。
早期主要有Rosenfeld和Freeman等人的方法,后期有CSS等方法。基于图像灰度的方法通过计算点的曲率及梯度来检测角点,
避免了第一类方法存在的缺陷,此类方法主要有Moravec算子、Forstner算子、Harris算子、SUSAN算子等。本文主要介绍的Harris角点检测的算法原理。
2. Harris角点检测基本原理
人眼对角点的识别通常是在一个局部的小区域或小窗口完成的。如果在各个方向上移动这个特征的小窗口,窗口内区域的灰度发生了较大的变化,那么就认为在窗口内遇到了角点。
如果这个特定的窗口在图像各个方向上移动时,窗口内图像的灰度没有发生变化,那么窗口内就不存在角点;
如果窗口在某一个方向移动时,窗口内图像的灰度发生了较大的变化,而在另一些方向上没有发生变化,那么,窗口内的图像可能就是一条直线的线段。如下图:
首先,将图像窗口平移[u,v]产生灰度变化的自相关函数如下:
其中窗口函数(权重矩阵)可以是平坦的,也可以是高斯的如下图(权重矩阵W(通常为高斯滤波器Gσ):
然而将平移后的式子进行泰勒展开如下:
则:
,其中Ο(u2,v2)近似为0.故该式可以进一步简化。
由于是对局部微小的移动量 [u,v],所以可以近似得到下面忽略余项之后的表达式为一个二项式函数
其中,M的表达式如下,可由图像的导数求得:
,即M=W*MI,其中
该卷积的目的是得到MI在周围像素上的局部平均。矩阵M又称为Harris矩阵。W 的宽度决定了在像素x 周围的感兴趣区域。
像这样在区域附近对矩阵M取平均的原因是,特征值会依赖于局部图像特性而变化。如果图像的梯度在该区域变化,那么MI 的第二个特征值将不再为0。
如果图像的梯度没有变化,M的特征值也不会变化。
忽略余项之后的表达式为一个二项式函数,然而二项式函数的本质上就是一个椭圆函数,椭圆的扁率和尺寸是由M(x,y)的特征值λ1、λ2决定的,
椭圆的方向是由M(x,y)的特征矢量决定的,如下图所示,椭圆方程为:
椭圆函数特征值与图像中的角点、直线(边缘)和平面之间的关系如下图所示。共可分为三种情况:
a. 图像中的直线。一个特征值大,另一个特征值小,λ1>λ2或λ2>λ1。自相关函数值在某一方向上大,在其他方向上小。
b. 图像中的平面。两个特征值都小,且近似相等;自相关函数数值在各个方向上都小。
c. 图像中的角点。两个特征值都大,且近似相等,自相关函数在所有方向都增大。
通过M的两个特征值λ1和λ2的大小对图像点进行分类:
如果λ1和λ2都很小,图像窗口在所有方向上移动都无明显灰度变化。
由于我们是通过M的两个特征值的大小对图像进行分类,所以,定义角点相应函数R:
其中k为经验常数,一般取k=0.04~0.06。为了去除加权常数κ,我们通常使用商数detM/(traceM)2作为指示器。:所以,上图可以转化为:
其中:
• R 只与M的特征值有关
• 角点:R 为大数值正数
• 边缘:R 为大数值负数
• 平坦区:R 为小数值
在判断角点的时候,–对角点响应函数R进行阈值处理:R > threshold,提取R的局部极大值。
来自 :https://www.cnblogs.com/Jack-Elvis/p/11640931.html
代码如下
cvtColor(src, gray_src, COLOR_BGR2GRAY); // 计算特征值 int blockSize = 3; int ksize = 3; double k = 0.04; harris_dst = Mat::zeros(src.size(), CV_32FC(6)); harrisRspImg = Mat::zeros(src.size(), CV_32FC1); qualityLevel = 30; max_count = 100; //计算图像块的特征值和特征向量用于角点检测。 cornerEigenValsAndVecs(gray_src, harris_dst, blockSize, ksize, 4); //cout << harris_dst << endl; // 计算响应 for (int row = 0; row < harris_dst.rows; row++) { for (int col = 0; col < harris_dst.cols; col++) { double lambda1 = harris_dst.at<Vec6f>(row, col)[0]; double lambda2 = harris_dst.at<Vec6f>(row, col)[1]; //pow求次方 harrisRspImg.at<float>(row, col) = lambda1*lambda2 - k*pow((lambda1 + lambda2), 2); } } minMaxLoc(harrisRspImg, &harris_min_rsp, &harris_max_rsp, 0, 0, Mat()); namedWindow(harris_win, CV_WINDOW_AUTOSIZE); createTrackbar("Quality Value:", harris_win, &qualityLevel, max_count, CustomHarris_Demo); CustomHarris_Demo(0, 0);
void CustomHarris_Demo(int, void*) { if (qualityLevel < 20) { qualityLevel = 20; } Mat resultImg = src.clone(); float t = harris_min_rsp + (((double)qualityLevel) / max_count)*(harris_max_rsp - harris_min_rsp); for (int row = 0; row < src.rows; row++) { for (int col = 0; col < src.cols; col++) { float v = harrisRspImg.at<float>(row, col); if (v > t) { circle(resultImg, Point(col, row), 2, Scalar(0, 0, 255), 2, 8, 0); } } } imshow(harris_win, resultImg); }
自行参透,楼主不懂