OpenCV第十二讲：角点检测与亚像素精度
1. Harris角点检测
角点检测被定义两条边的交点， 在实际应用中，大多数所谓的角点检测方法检测的是拥有特定特征的图像点， 而不仅仅是角点。
角点： 如果某一点在任意方向的一个微小变动都会引起灰度很大的变化，那么将其称之为角点。
-
角点的性质
- 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；
-
角点检测算法
-
基于灰度图像的角点检测
-
基于梯度
-
基于模板
主要考虑像素领域点的灰度变化，常见的基于模板的角点检测算法有：Kitchen-Rosenfeld, Harris, KLT以及SUSAN角点检测。 -
基于模板梯度组合
-
-
基于二值图像的角点检测
-
基于轮廓曲线的角点检测
-
-
Harris角点检测: cornerHarris()函数
harris角点检测是一种直接基于灰度图像的角点提取算法，稳定性高，尤其对L型角点检测精度高。
cvtColor(srcimage, grayImage, COLOR_BGR2GRAY);
cornerHarris(grayImage, HarrImage, 2, 3, 0.01);
// 这里显示没有结果， 一片黑暗
//imshow("cornerHarris", HarrImage);
Mat harrisCorners;
threshold(HarrImage, harrisCorners, 0.00001, 255, CV_THRESH_BINARY);
imshow("cornerHarris2", harrisCorners);
- 测试结果
2.Shi-Timasi角点检测
该方法是对Harris算法的改进。
原始定义： 将矩阵M的行列式与M的迹****相减， 再将差值同预先给定的阈值进行比较。
改进方法：若两个特征值中较小的一个大于最小阈值，则会得到强角点。
- OpenCV函数 goodFeatureToTrack()
RNG g_rng(12345);
Mat FeaturesTrack;
Mat copyrgb = srcimage.clone();
imshow("copyColor", copyrgb);
vector<Point2f> corners;
goodFeaturesToTrack(grayImage, corners, 150, 0.01, 10, Mat(), 3, false, 0.04);
cout<<"corners.size() = "<<corners.size()<<endl;
for(int i=0; i<corners.size(); i++)
{
circle(copyrgb, corners[i],4, Scalar(g_rng.uniform(0, 255), g_rng.uniform(0, 255), g_rng.uniform(0, 255)), 1, 8, 0);
}
imshow("Corners", copyrgb);
- 测试结果
3. 亚像素级角点检测
上面介绍的都是用于特征点的识别， 那么如果是要进行
几何测量，上述方法可能就不太适合，因为他们提供的是像素的整数坐标值，而有时候我们需要实数坐标值。
亚像素精度(sub-Pixel)： 像素与像素之间的还有更细小的单元，这就是亚像素，通常会是原来像素的几分之一的大小。
-
OpenCV函数 cornerSubPix()
cornerSubPix()函数用于寻找亚像素角点位置，不是整数型位置，而是更精确的浮点型位置。
相比于角点检测的位置，亚像素级的检测在点的结果上更加精确