opencv feature2D模块(一)

feature2D 模块包含了很多图像特征提取，匹配的相关算法，是图像模式识别重要的辅助库。
本部分包含如下内容：
特征检测和描述
特征检测器(Feature Detectors)通用接口
描述符提取器(Descriptor Extrators)通用接口
描述符匹配器（Descriptor Matchers）通用接口
通用描述符(Generic Descriptor)匹配器通用接口
关键点绘制函数和匹配功能绘制函数

我在讲述这些opencv带有的函数时，也会附带这些算法的详细内容，掌握算法的实际意义。

• chapter 10：角点检测
  角点检测是计算机视觉系统中用来获得图像特征的一种方法，广泛应用与运动检测，图像匹配，视频跟踪，三维建模和目标识别等领域中。角点通常被定义为两条边的交点，角点的局部邻域应该具有两个不同区域的不同方向的边界。这些特征点在图像中有具体的坐标，并具有某些数学特征，如局部最大或最小灰度，某些梯度特征等。
  角点可以包含很多的特性，根据选取的特性不同，不同的实现提取出的角点会产生差异，关于角点的具体描述可以有如下几种：
  一阶导数（即灰度的梯度）的局部最大所对应的像素点
  两条及两条以上边缘的交点
  图像中梯度值和梯度方向的变化速率都很高的点
  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。

Harris角点的介绍见下面链接：
harris角点详解

    Mat sourceImage = imread("1.jpg");
    //resize(sourceImage,sourceImage,Size(800,600));
    Mat grayImage;
    cvtColor(sourceImage,grayImage,CV_BGR2GRAY);
    Mat dstImage = Mat::zeros(sourceImage.size(),CV_32FC1);



    cornerHarris(grayImage,dstImage,2,3,0.04,BORDER_DEFAULT);
    //归一化与转换
    Mat normImage;
    normalize(dstImage,normImage,0,255,NORM_MINMAX,CV_32FC1,Mat());
    Mat scaledImage;
    convertScaleAbs(normImage,scaledImage);

    for (int j=0;jfor (int i=0;iif (normImage.at<float>(j,i)>110) //阈值
            {
                circle(sourceImage,Point(i,j),5,Scalar(10,10,255),2,8,0);
            }
        }
    }

另一方面，我们不再用非极大值抑制了，而选取容忍距离：容忍距离内只有一个特征点。
该算法首先选取一个具有最大最小特征值的点（即：max（min（e1，e2）），e1，e2是harris矩阵的特征值）作为角点，然后依次按照最大最小特征值顺序寻找余下的角点，当然和前一角点距离在容忍距离内的新角点忽略。

    std::vector corners;  
    cv::goodFeaturesToTrack(grayImage,corners,  
        200,  
        //角点最大数目  
        0.01,  
        // 质量等级，这里是0.01*max（min（e1，e2）），e1，e2是harris矩阵的特征值  
        10);  
    // 两个角点之间的距离容忍度  
    harris().drawOnImage(sourceImage,corners);//标记角点


    imshow("harris角点",sourceImage);

• Shi-Tomasi角点
  Shi-Tomasi角点是Harris算法的改进，此算法最原始的定义式将矩阵M的行列式值与M的迹相减，再将差值同预先给定的阈值进行比较。后来他们俩提出了改进方法，若两个特征值中较小的一个大于最小阈值，则会得到一个强角点。还有一个特点就是在一个范围候选项内选取一个作为检测出的角点。
  函数原型如下: