OpenCV角点检测调试记录

方法1：

cv::cvtColor(pimg0,pimg0,CV_BGR2GRAY);

cv::Canny(pimg0,pimg0,100,150,3);   //边缘检测

cv::cornerHarris(pimg0,pimg0,
                  2,                 //邻域大小
                  5,                 //扩展Sobel核大小
                  0.01
                   ); //检测角点
cv::threshold(pimg0,pimg0, 0.00001, 255, cv::THRESH_BINARY_INV);    //角点结果二值化

方法2：(效果更好，处理更简单)

    cv::Mat m = pimg0.clone();
    cv::Mat pimg2 = m(rect);    //剪切图像--拷贝图像
    cv::Mat pimg3 = pimg0(rect);    //剪切图像--拷贝图像


    int nr2 = pimg3.rows;
    int nc2 = pimg3.cols * pimg3.channels();
    for(int j=0; j         unsigned char * data0 = pimg3.ptr(j);
        for(int i=0; i             data0[i] =255- (255-data0[i])/2;
        }
    }


    cv::Canny(pimg2,pimg2,100,150,3);   //边缘检测


    std::vector corners;
    int maxCorners = 500;     //最大检测角点数
    double qualityLevel = 0.01;
    double minDistance = 10;     //丙个角点之前的距离容忍度
    cv::goodFeaturesToTrack(pimg2, corners,
                            maxCorners,
                            qualityLevel,
                            minDistance);
    //绘制出角点
    int r = 2;
    for(int i=0; i         cv::circle(pimg3,corners[i], r, cv::Scalar(0,0,0),-1,8,0);
    }

---------------------------------

更新：角点匹配方法

转自：http://blog.csdn.net/rueing839/article/details/48807477

     //【1】载入素材图
     Mat srcImage1 = imread("1.jpg", 1);
     Mat srcImage2 = imread("2.jpg", 1);
     if (!srcImage1.data || !srcImage2.data)
     {
         printf("读取图片错误，请确定目录下是否有imread函数指定的图片存在~！ \n"); return false;
     }

     //【2】使用SURF算子检测关键点
     int minHessian = 700;//SURF算法中的hessian阈值
     SurfFeatureDetector detector(minHessian);//定义一个SurfFeatureDetector（SURF） 特征检测类对象
     std::vector keyPoint1, keyPoints2;//vector模板类，存放任意类型的动态数组

     //【3】调用detect函数检测出SURF特征关键点，保存在vector容器中
     detector.detect(srcImage1, keyPoint1);
     detector.detect(srcImage2, keyPoints2);

     //【4】计算描述符（特征向量）
     SurfDescriptorExtractor extractor;
     Mat descriptors1, descriptors2;
     extractor.compute(srcImage1, keyPoint1, descriptors1);
     extractor.compute(srcImage2, keyPoints2, descriptors2);

     //【5】使用BruteForce进行匹配
     // 实例化一个匹配器
     BruteForceMatcher< L2<float> > matcher;
     std::vector< DMatch > matches;
     //匹配两幅图中的描述子（descriptors）
     matcher.match(descriptors1, descriptors2, matches);

     //【6】绘制从两个图像中匹配出的关键点
     Mat imgMatches;
     drawMatches(srcImage1, keyPoint1, srcImage2, keyPoints2, matches, imgMatches);//进行绘制

     //【7】显示效果图
     imshow("匹配图", imgMatches);