zoukankan      html  css  js  c++  java
  • 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

  • 相关阅读:
    OnEraseBkgnd、OnPaint与画面重绘
    .编译ADO类DLL时报错的解决方案
    VC列表框样式
    Codeforces 131D. Subway 寻找环树的最短路径
    Codeforces 103B. Cthulhu 寻找奈亚子
    Codeforces 246D. Colorful Graph
    Codeforces 278C. Learning Languages 图的遍历
    Codeforces 217A. Ice Skating 搜索
    Codeforces 107A. Dorm Water Supply 搜图
    Codeforces 263 D. Cycle in Graph 环
  • 原文地址:https://www.cnblogs.com/kbqLibrary/p/12482664.html
Copyright © 2011-2022 走看看