Opencv学习二:角点检测

内容一:角点的基础知识

详见附件。(包括角点检测的定义、分类以及常用的两种角点检测算法接好(harris和susan),并讨论他们的优缺点)

内容二:harris角点检测的理论基础以及算法描述(详见附件中的ppt)

Opencv学习二:角点检测_第1张图片



角点响应

R=det(M)-k*(trace(M)^2)   (附录资料给出k=0.04~0.06,opencv指出是0.05-0.5,浮动较大)

det(M)=λ1*λ2      trace(M)=λ1+λ2

R取决于M的特征值,对于角点|R|很大,平坦的区域|R|很小,边缘的R为负值。

算法描述:


Opencv学习二:角点检测_第2张图片

Opencv学习二:角点检测_第3张图片


 

内容三:harris角点检测算法的opencv实现(该部分转自http://blog.csdn.net/crzy_sparrow/article/details/7391511)

#ifndef HARRIS_H
#define HARRIS_H
#include "opencv2/opencv.hpp"

class harris
{
private:
    cv::Mat  cornerStrength;  //opencv harris函数检测结果,也就是每个像素的角点响应函数值
    cv::Mat cornerTh; //cornerStrength阈值化的结果
    cv::Mat localMax; //局部最大值结果
    int neighbourhood; //邻域窗口大小
    int aperture;//sobel边缘检测窗口大小(sobel获取各像素点x,y方向的灰度导数)
    double k;
    double maxStrength;//角点响应函数最大值
    double threshold;//阈值除去响应小的值
    int nonMaxSize;//这里采用默认的3,就是最大值抑制的邻域窗口大小
    cv::Mat kernel;//最大值抑制的核,这里也就是膨胀用到的核
public:
    harris():neighbourhood(3),aperture(3),k(0.01),maxStrength(0.0),threshold(0.01),nonMaxSize(3){

    };

    void setLocalMaxWindowsize(int nonMaxSize){
        this->nonMaxSize = nonMaxSize;
    };

    //计算角点响应函数以及非最大值抑制
    void detect(const cv::Mat &image){
            //opencv自带的角点响应函数计算函数
            cv::cornerHarris (image,cornerStrength,neighbourhood,aperture,k);
            double minStrength;
            //计算最大最小响应值
            cv::minMaxLoc (cornerStrength,&minStrength,&maxStrength);

            cv::Mat dilated;
            //默认3*3核膨胀,膨胀之后,除了局部最大值点和原来相同,其它非局部最大值点被
            //3*3邻域内的最大值点取代
            cv::dilate (cornerStrength,dilated,cv::Mat());
            //与原图相比,只剩下和原图值相同的点,这些点都是局部最大值点,保存到localMax
            cv::compare(cornerStrength,dilated,localMax,cv::CMP_EQ);
    }

    //获取角点图
    cv::Mat getCornerMap(double qualityLevel) {
            cv::Mat cornerMap;
            // 根据角点响应最大值计算阈值
            threshold= qualityLevel*maxStrength;
            cv::threshold(cornerStrength,cornerTh,
            threshold,255,cv::THRESH_BINARY);
            // 转为8-bit图
            cornerTh.convertTo(cornerMap,CV_8U);
            // 和局部最大值图与,剩下角点局部最大值图,即:完成非最大值抑制
            cv::bitwise_and(cornerMap,localMax,cornerMap);
            return cornerMap;
    }

    void getCorners(std::vector<cv::Point> &points,
            double qualityLevel) {
            //获取角点图
            cv::Mat cornerMap= getCornerMap(qualityLevel);
            // 获取角点
            getCorners(points, cornerMap);
    }

    // 遍历全图,获得角点
    void getCorners(std::vector<cv::Point> &points,
    const cv::Mat& cornerMap) {

            for( int y = 0; y < cornerMap.rows; y++ ) {
                    const uchar* rowPtr = cornerMap.ptr<uchar>(y);
                    for( int x = 0; x < cornerMap.cols; x++ ) {
                    // 非零点就是角点
                          if (rowPtr[x]) {
                                points.push_back(cv::Point(x,y));
                          }
                     }
                }
          }

    //用圈圈标记角点
    void drawOnImage(cv::Mat &image,
    const std::vector<cv::Point> &points,
            cv::Scalar color= cv::Scalar(255,255,255),
            int radius=3, int thickness=2) {
                    std::vector<cv::Point>::const_iterator it=points.begin();
                    while (it!=points.end()) {
                    // 角点处画圈
                    cv::circle(image,*it,radius,color,thickness);
                    ++it;
            }
    }

};

#endif // HARRIS_H


 

 cv::Mat  image, image1 = cv::imread ("test.jpg");
    //灰度变换
    cv::cvtColor (image1,image,CV_BGR2GRAY);


    // 经典的harris角点方法
    harris Harris;
    // 计算角点
    Harris.detect(image);
    //获得角点
    std::vector<cv::Point> pts;
    Harris.getCorners(pts,0.01);
    // 标记角点
    Harris.drawOnImage(image,pts);

    cv::namedWindow ("harris");
    cv::imshow ("harris",image);
    cv::waitKey (0);
    return 0;

改进的Harris角点检测

    从经典的Harris角点检测方法不难看出,该算法的稳定性和k有关,而k是个经验值,不好把握,浮动也有可能较大。鉴于此,改进的Harris方法()直接计算出两个特征值,通过比较两个特征值直接分类,这样就不用计算Harris响应函数了。

    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呗忽略。

    opencv测试该算法代码如下:

    cv::Mat  image, image1 = cv::imread ("test.jpg");
    //灰度变换
    cv::cvtColor (image1,image,CV_BGR2GRAY);
    // 改进的harris角点检测方法
    std::vector<cv::Point> corners;
    cv::goodFeaturesToTrack(image,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(image,corners);//标记角点



 

内容四:harris角点检测算法的C语言实现(该部分来自百度文库,但是自己要仔细详读,其实就是按照算法描述的步骤进行的,在角点计算完成后,该代码阈值是固定的,笔者所用阈值是根据提取特征点的个数动态设定的)

void Harry(BYTE*BBuf,BYTE*GBuf,BYTE*RBuf)
{
     //gausswidth:二维高斯窗口宽度
     //sigma:高斯函数的方差
     //size:非极大值抑制的邻域宽度
     //thresh:最终确定角点所需的阈值
     int i,j,m,n,size,thresh,gausswidth;
     double sigma;
     //输入四个参数
     //CInput2 input;
     //input.m_gausswidth =5;
     //input.m_sigma =0.8;
     //input.m_size =5;
     //input.m_thresh =5000;
     //input.DoModal ();
     gausswidth=5;//input.m_gausswidth ;
     sigma=0.8;//input.m_sigma ;
     size=5;//input.m_size ;
     thresh=5000;//input.m_thresh ;

     unsigned char *lpSrc;//一个指向源、目的像素的移动指针
     //LPSTR lpDIB = (LPSTR) ::GlobalLock((HGLOBAL)m_hDIB);
     int cxDIB = 320;//(int) ::DIBWidth(lpDIB);         // 图像宽度
     int cyDIB = 240;//(int) ::DIBHeight(lpDIB);        // 图像高度
     //LPSTR lpDIBBits=::FindDIBBits (lpDIB);
     long lLineBytes = 320;//WIDTHBYTES(cxDIB * 8);     // 计算灰度图像每行的字节数
     //创建I、Ix、Ix2、Iy、Iy2、Ixy、cim、mx、corner数组
     double *I=new double[cxDIB*cyDIB];
     double *Ix=new double[cxDIB*cyDIB];
     double *Ix2=new double[cxDIB*cyDIB];
     double *Iy=new double[cxDIB*cyDIB];
     double *Iy2=new double[cxDIB*cyDIB];
     double *Ixy=new double[cxDIB*cyDIB];
     double *cim=new double[cxDIB*cyDIB];
     double *mx=new double[cxDIB*cyDIB];
     bool*corner=new bool[cxDIB*cyDIB];
     memset(corner, 0, cxDIB*cyDIB*sizeof(bool));
    //定义宏以方便访问元素
     #define I(ROW,COL) I[cxDIB*(ROW)+(COL)]
     #define Ix(ROW,COL) Ix[cxDIB*(ROW)+(COL)]
     #define Ix2(ROW,COL) Ix2[cxDIB*(ROW)+(COL)]
     #define Iy(ROW,COL) Iy[cxDIB*(ROW)+(COL)]
     #define Iy2(ROW,COL) Iy2[cxDIB*(ROW)+(COL)]
     #define Ixy(ROW,COL) Ixy[cxDIB*(ROW)+(COL)]
     #define cim(ROW,COL) cim[cxDIB*(ROW)+(COL)]
     #define mx(ROW,COL) mx[cxDIB*(ROW)+(COL)]
     #define corner(ROW,COL) corner[cxDIB*(ROW)+(COL)]
//将图像灰度值复制到I中,这步很重要!想想为什么?
     for(i = 0; i < cyDIB; i++)
     {
          for(j = 0; j < cxDIB; j++)
          {   
               lpSrc = (unsigned char*)BBuf + lLineBytes * (cyDIB - 1 - i) + j;
               //将256级灰度图像转化为double型
               I(i,j)=double(*lpSrc);
          }
     }

//--------------------------------------------------------------------------
//                     第一步:利用差分算子对图像进行滤波http://www.cnifx.cn/
//--------------------------------------------------------------------------

//定义水平方向差分算子并求Ix
     double dx[9]={-1,0,1,-1,0,1,-1,0,1};
     Ix=mbys(I,cxDIB,cyDIB,&dx[0],3,3);
//定义垂直方向差分算子并求Iy
     double dy[9]={-1,-1,-1,0,0,0,1,1,1};
     Iy=mbys(I,cxDIB,cyDIB,dy,3,3);

//将中间结果Ix写入到文本文件以便后续分析
     FILE *fp;
     fp=fopen("Ix.txt","w+");
     for(i = 0; i < cyDIB; i++)
     {
         for(j = 0; j < cxDIB; j++)
         fprintf(fp,"%f ",Ix(i,j));
         fprintf(fp,"\n");
     }
     fp=fopen("Iy.txt","w+");
     for(i = 0; i < cyDIB; i++)
     {
         for(j = 0; j < cxDIB; j++)
         fprintf(fp,"%f ",Iy(i,j));
         fprintf(fp,"\n");
     }
//计算Ix2、Iy2、Ixy
     for(i = 0; i < cyDIB; i++)
     {
         for(j = 0; j < cxDIB; j++)
         { 
             Ix2(i,j)=Ix(i,j)*Ix(i,j);
             Iy2(i,j)=Iy(i,j)*Iy(i,j);
             Ixy(i,j)=Ix(i,j)*Iy(i,j);
         }
     }

//--------------------------------------------------------------------------
//                  第二步:对Ix2/Iy2/Ixy进行高斯平滑,以去除噪声http://www.cnifx.cn/
//--------------------------------------------------------------------------

     //本例中使用5×5的高斯模板
     //计算模板参数
     double *g=new double[gausswidth*gausswidth];
     for(i=0;i<gausswidth;i++)
     for(j=0;j<gausswidth;j++)
         g[i*gausswidth+j]=exp(-((i-int(gausswidth/2))*(i-int(gausswidth/2))+(j-int(gausswidth/2))*(j-int(gausswidth/2)))/(2*sigma));

     //归一化:使模板参数之和为1(其实此步可以省略)
     double total=0;
     for(i=0;i<gausswidth*gausswidth;i++)
         total+=g[i];
     for(i=0;i<gausswidth;i++)
         for(j=0;j<gausswidth;j++)
             g[i*gausswidth+j]/=total;

     fp=fopen("g.txt","w+");
     for(i = 0; i < gausswidth; i++)
     {
         for(j = 0; j < gausswidth; j++)
         fprintf(fp,"%f ",g[i*gausswidth+j]);
         fprintf(fp,"\n");
     }
     //进行高斯平滑
     Ix2=mbys(Ix2,cxDIB,cyDIB,g,gausswidth,gausswidth);
     Iy2=mbys(Iy2,cxDIB,cyDIB,g,gausswidth,gausswidth);
     Ixy=mbys(Ixy,cxDIB,cyDIB,g,gausswidth,gausswidth);

//--------------------------------------------------------------------------
//                        第三步:计算角点量http://www.cnifx.cn/
//--------------------------------------------------------------------------

     //计算cim:即cornerness of image,我们把它称做'角点量'
     for(i = 0; i < cyDIB; i++)
     {
         for(j = 0; j < cxDIB; j++)
         {
             //注意:要在分母中加入一个极小量以防止除数为零溢出
             cim(i,j) = (Ix2(i,j)*Iy2(i,j) - Ixy(i,j)*Ixy(i,j))/(Ix2(i,j) + Iy2(i,j) + 0.000001); 
         }
     }
     fp=fopen("cim.txt","w+");
     for(i = 0; i < cyDIB; i++)
     {
         for(j = 0; j < cxDIB; j++)
         fprintf(fp,"%f ",cim(i,j));
         fprintf(fp,"\n");
     }
//--------------------------------------------------------------------------
//                 第四步:进行局部非极大值抑制以获得最终角点http://www.cnifx.cn/
//--------------------------------------------------------------------------

//注意进行局部极大值抑制的思路
//const double size=7;
     double max;
//对每个点在邻域内做极大值滤波:即将该点的值设为邻域中最大的那个值(跟中值滤波有点类似)
     for(i = 0; i < cyDIB; i++)
     {
         for(j = 0; j < cxDIB; j++)
         {
             max=-1000000;
             if(i>int(size/2) && i<cyDIB-int(size/2) && j>int(size/2) && j<cxDIB-int(size/2))
             for(m=0;m<size;m++)
             {
                 for(n=0;n<size;n++)
                 {      
                     if(cim(i+m-int(size/2),j+n-int(size/2))>max)
                     max=cim(i+m-int(size/2),j+n-int(size/2));
                 }
             }
        if(max>0)
        mx(i,j)=max;
        else
        mx(i,j)=0;
         }
     }

     fp=fopen("mx.txt","w+");
     for(i = 0; i < cyDIB; i++)
     {
         for(j = 0; j < cxDIB; j++)
         fprintf(fp,"%f ",mx(i,j));
         fprintf(fp,"\n");
     }
     //最终确定角点
     //const double thresh=4500;
     for(i = 0; i < cyDIB; i++)
     {
         for(j = 0; j < cxDIB; j++)
         { 
             if(cim(i,j)==mx(i,j))  //首先取得局部极大值
             if(mx(i,j)>thresh)  //然后大于这个阈值
             corner(i,j)=1;   //满足上两个条件,才是角点!
         }
     }

     fp=fopen("corner.txt","w+");
     for(i = 0; i < cyDIB; i++)
     {
         for(j = 0; j < cxDIB; j++)
         fprintf(fp,"%d ",corner(i,j));
         fprintf(fp,"\n");
     }
//::GlobalUnlock((HGLOBAL) m_hDIB);  
//   UpdateAllViews(NULL, 0, NULL); 
}

double * mbys(double * im,int imW,int imH,double *tp,int tpW,int tpH)
{
    double * out=new double[imW*imH];
    memset(out, 0, imW*imH*sizeof(double));
    int i,j,m,n;
    #define im(ROW,COL) im[imW*(ROW)+(COL)]
    #define tp(ROW,COL) tp[tpW*(ROW)+(COL)]
    #define out(ROW,COL) out[imW*(ROW)+(COL)]
    double a;
    for(i=0;i<imH;i++)
        for(j=0;j<imW;j++)
        {
            a=0;
            //去掉靠近边界的行
            if(i>int(tpH/2) && i<imH-int(tpH/2) && j>int(tpW/2) && j<imW-int(tpW/2))
                for(m=0;m<tpH;m++)
                    for(n=0;n<tpW;n++)
                    {
                        a+=im(i+m-int(tpH/2),j+n-int(tpW/2))*tp(m,n);
                    }
            out(i,j)=a;
        }
    return out;
}


 

内容五:susan角点检测算法

该算法的角点定义为:若某像素点圆形邻域圆周上有3/4的点和该像素点不同(编程时不超过某阈值th),则认为该点就是候选角点。opencv更极端,选用半径为3的圆周上(上下左右)四个点,若超过三个点和该像素点不同,则该点为候选角点。(该部分同样转载自http://blog.csdn.net/crzy_sparrow/article/details/7391511)

    和Harris算法类似,该算法需要非极大值抑制。

    cv::Mat  image, image1 = cv::imread ("test.jpg");
    cv::cvtColor (image1,image,CV_BGR2GRAY);
    //快速角点检测
    std::vector<cv::KeyPoint> keypoints;
    cv::FastFeatureDetector fast(40,true);
    fast .detect (image,keypoints);
    cv::drawKeypoints (image,keypoints,image,cv::Scalar::all(255),cv::DrawMatchesFlags::DRAW_OVER_OUTIMG);

至于其C语言的实现,主要模板的和阈值的选取,在http://ar.newsmth.net/thread-56d09414bec7d.html这篇帖子中有一个实现的例子。

你可能感兴趣的:(Opencv学习二:角点检测)