若该文为原创文章，未经允许不得转载
原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/106665993
各位读者，知识无穷而人力有穷，要么改需求，要么找专业人士，要么自己研究
红胖子(红模仿)的博文大全：开发技术集合（包含Qt实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬结合等等）持续更新中…（点击传送门）
OpenCV开发专栏（点击传送门）
上一篇：《OpenCV开发笔记（六十一）：红胖子8分钟带你深入了解Shi-Tomasi角点检测（图文并茂+浅显易懂+程序源码）》
下一篇：持续补充中…
前言
红胖子，来也！
本篇主要说亚像素角点，又叫次级像素角点，其实通俗来说，就是输入整数坐标，使用最小二乘法迭代计算所需精度的实数坐标。
Demo
亚像素角点
概述
进行图像处理提取用于识别的特征点进行几何测量，这通常需要更高的精度，而函数goodFeaturesToTrack()只能提供简单的像素的坐怀值，也就是说，有时候会需要要实数坐标值而不是整数坐标值。
亚像素级角点检测的位置在摄像机标定、跟踪并重建摄像机的轨迹，或者重被功跟踪目标的三维结构时候，是一个基本的测量值 。
Shi-Tomasi角点检测
goodFeaturesToTrack()函数检测是的Shi-Tomasi角点。
《OpenCV开发笔记（六十一）：红胖子8分钟带你深入了解Shi-Tomasi角点检测（图文并茂+浅显易懂+程序源码）》
亚像素角点检测原理
其中，(a)点p附近的图像是均匀的，其梯度为0，(b)边缘的梯度与沿地缘方向的q-p向量正交。在图中的两种情况下，p点梯度与q-p向量的点积均为0。
假设起始角点q在实际亚像素级角点的附近。检测所有的q-p向量。若点p位于一个均匀的区域，则点p处的梯度为0。若q-p向量的方向与边缘的方向一致，则此边缘上p点处的梯度与q-p向量正交，在这两种情况下，p点处的梯度与q-p向量的点积为0。可以在p点周围找到很多组梯度以及相关的向量q节，令其点集为0，然后可以通过求解方程组，方程组的解即为角点q的亚像素级精度的位置，也就是精确的角点位置。
TermCriteri迭代标注类的构造函数
TermCriteria(int type,
int maxCount,
double epsilon);
- 参数一：int类型的type，枚举为TermCriteria::Type类型，终止标准的类型：
- 参数二：int类型的maxCount，最大迭代次数/元素数；
- 参数三：double类型的epsilon，所需的精度。
函数原型
void cornerSubPix( InputArray image,
InputOutputArray corners,
Size winSize,
Size zeroZone,
TermCriteria criteria );
- 参数一：InputArray类型的image，输入图像，即源图像，填Mat类的对象，必须为单通道图像；
- 参数二：InputOutputArray类型的corners，提供输入角点的初始坐标和精确的输出坐标；
- 参数三：Sjze类型的winSjze，搜索窗口的一半尺寸。若winSize=Size(5,5)，那么就表示使用(52+1)x(52+1)=11x11大小的搜索窗口。
- 参数四：Size类型的zeroZone，表示死区的一半尺寸。而死区为不对搜索区的中央位置做求和运算的区域，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。
- 参数五：TermCriteria类型的criteria，求角点的迭代过程的终止条件。即角点位置的确定，要么迭代数大于某个设定值，或者是精到达某个设定值。cirteria可以是最大迭代数目，或者是设定的精确度，也可以是它们的组合。
Demo源码
void OpenCVManager::testCornerSubPix()
{
QString fileName1 =
"E:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/1.jpg";
int width = 400;
int height = 300;
cv::Mat srcMat = cv::imread(fileName1.toStdString());
cv::resize(srcMat, srcMat, cv::Size(width, height));
cv::String windowName = _windowTitle.toStdString();
cvui::init(windowName);
cv::Mat windowMat = cv::Mat(cv::Size(srcMat.cols * 2, srcMat.rows * 3),
srcMat.type());
int qualityLevel = 1;
int minDistance = 10;
int iterations = 5;
int epsilon = 1;
while(true)
{
windowMat = cv::Scalar(0, 0, 0);
cv::Mat mat;
cv::Mat tempMat;
// 原图先copy到左边
mat = windowMat(cv::Range(srcMat.rows * 0, srcMat.rows * 1),
cv::Range(srcMat.cols * 0, srcMat.cols * 1));
cv::addWeighted(mat, 0.0f, srcMat, 1.0f, 0.0f, mat);
{
// 灰度图
cv::Mat grayMat;
cv::cvtColor(srcMat, grayMat, cv::COLOR_BGR2GRAY);
cv::Mat grayMat2;
cv::cvtColor(grayMat, grayMat2, cv::COLOR_GRAY2BGR);
cv::addWeighted(mat, 0.0f, grayMat2, 1.0f, 0.0f, mat);
cvui::printf(windowMat, width * 1 + 20, height * 0 + 10, "qualityLevel / 100.0f");
cvui::trackbar(windowMat, width * 1 + 20, height * 0 + 30, 200, &qualityLevel, 1, 99);
cvui::printf(windowMat, width * 1 + 20, height * 0 + 80, "minDistance");
cvui::trackbar(windowMat, width * 1 + 20, height * 0 + 100, 200, &minDistance, 1, 100);
cvui::printf(windowMat, width * 1 + 20, height * 0 + 150, "iterations");
cvui::trackbar(windowMat, width * 1 + 20, height * 0 + 170, 200, &iterations, 1, 100);
cvui::printf(windowMat, width * 1 + 20, height * 0 + 220, "epsilon/100.0f");
cvui::trackbar(windowMat, width * 1 + 20, height * 0 + 240, 200, &epsilon, 1, 1000);
// Shi-Tomasi角点检测
std::vector corners;
cv::goodFeaturesToTrack(grayMat, // 输入图像
corners, // 输出角点
100, // 最大输出角点数量
qualityLevel / 100.0f, // 最小特征值
minDistance, // 最小间隔距离
cv::noArray(), // 感兴趣的区域
3, // 计算矩阵时的领域范围
false, // 不适用harris角点检测
0.04); // 权重系数
cv::Mat tempMat4 = srcMat.clone();
for (int i = 0; i < corners.size(); i++)
{
cv::circle(tempMat4, corners[i], 5, cv::Scalar(0, 255, 0), 2, 8, 0);
cvui::printf(windowMat, width * 0 + 20, height * 1 + 20 * i, "%f,%f", corners[i].x, corners[i].y);
}
// copy
mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
cv::Range(srcMat.cols * 0, srcMat.cols * 1));
cv::addWeighted(mat, 0.0f, tempMat4, 1.0f, 0.0f, mat);
//指定亚像素计算迭代标注
cv::TermCriteria criteria = cv::TermCriteria(
cv::TermCriteria::EPS,
iterations, // 迭代次数
epsilon); // 精度
//亚像素检测
cv::cornerSubPix(grayMat,
corners,
cv::Size(5, 5),
cv::Size(-1, -1),
criteria);
//将检测到的亚像素角点绘制到原图上
cv::Mat tempMat3 = srcMat.clone();
for (int i = 0; i < corners.size(); i++)
{
cv::circle(tempMat3, corners[i], 5, cv::Scalar(0, 255, 0), 2, 8, 0);
cvui::printf(windowMat, width * 1 + 20, height * 1 + 20 * i, "%f,%f", corners[i].x, corners[i].y);
}
// copy
mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
cv::Range(srcMat.cols * 1, srcMat.cols * 2));
cv::addWeighted(mat, 0.0f, tempMat3, 1.0f, 0.0f, mat);
}
// 更新
cvui::update();
// 显示
cv::imshow(windowName, windowMat);
// esc键退出
if(cv::waitKey(25) == 27)
{
break;
}
}
}
工程模板：对应版本号v1.56.0
对应版本号v1.56.0
上一篇：《OpenCV开发笔记（六十一）：红胖子8分钟带你深入了解Shi-Tomasi角点检测（图文并茂+浅显易懂+程序源码）》
下一篇：持续补充中…
原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/106665993