OpenCV探索之路（十五）：角點檢測
阿新 • • 發佈：2017-06-21
回調函數 閾值 source and 類型 幾何 擁有 .com named
角點檢測是計算機視覺系統中用來獲取圖像特征的一種方法。我們都常說，這幅圖像很有特點，但是一問他到底有哪些特點，或者這幅圖有哪些特征可以讓你一下子就識別出該物體，你可能就說不出來了。其實說圖像的特征，你可以嘗試說一下這幅圖有幾個矩形啊幾個圓形啊，有幾條直線啊，當然啦，你也可以說一下有幾個角點。
什麽是角點？
角點通常被定義為兩條邊的交點。比如，三角形有三個角，矩形有四個角，這些就是角點，也是他們叫做矩形、三角形的特征，我們看到一些幾何圖形具有三個角，那麽我們便可以脫口而出說這是一個三角形。
上面所說的是嚴格意義上的角點，但是從廣義來說，角點指的是擁有特定特征的圖像點，這些特征點在圖像中有具體的坐標，並具有某些數學特征（比如局部最大或最小的灰度）。
圖像特征類型可以被分為三種：
- 邊緣
- 角點（感興趣關鍵點）
- 斑點（感興趣區域）
角點是個很特殊的存在。如果某一點在任意方向的一個微小的變動都會引起灰度很大的變化，那麽我們就可以把該點看做是角點。
Harris 角點檢測
Harris角點檢測是一種直接基於灰度圖的角點提取算法，穩定性高，尤其對L型角點（也就是直角）檢測精度高。缺點也是明顯的，就是運算速度慢。
OpenCV使用的相應函數是
void cornerHarris( InputArray src, OutputArray dst, int blockSize,int ksize, double k, int borderType = BORDER_DEFAULT );
下面給出相應的檢測代碼。
#include <opencv2/opencv.hpp> #include "opencv2/highgui/highgui.hpp" #include "opencv2/imgproc/imgproc.hpp" using namespace cv; using namespace std; Mat g_srcImage, g_srcImage1, g_grayImage; int thresh = 30; //當前閾值 int max_thresh = 175; //最大閾值 void on_CornerHarris(int, void*);//回調函數 int main(int argc, char** argv) { g_srcImage = imread("lol19.jpg", 1); if (!g_srcImage.data) { printf("讀取圖片錯誤！ \n"); return -1; } imshow("原始圖", g_srcImage); g_srcImage1 = g_srcImage.clone(); //存留一張灰度圖 cvtColor(g_srcImage1, g_grayImage, CV_BGR2GRAY); //創建窗口和滾動條 namedWindow("角點檢測", CV_WINDOW_AUTOSIZE); createTrackbar("閾值: ", "角點檢測", &thresh, max_thresh, on_CornerHarris); //調用一次回調函數，進行初始化 on_CornerHarris(0, 0); waitKey(0); return(0); } void on_CornerHarris(int, void*) { Mat dstImage;//目標圖 Mat normImage;//歸一化後的圖 Mat scaledImage;//線性變換後的八位無符號整型的圖 //置零當前需要顯示的兩幅圖，即清除上一次調用此函數時他們的值 dstImage = Mat::zeros(g_srcImage.size(), CV_32FC1); g_srcImage1 = g_srcImage.clone(); //進行角點檢測 //第三個參數表示鄰域大小，第四個參數表示Sobel算子孔徑大小，第五個參數表示Harris參數 cornerHarris(g_grayImage, dstImage, 2, 3, 0.04, BORDER_DEFAULT); // 歸一化與轉換 normalize(dstImage, normImage, 0, 255, NORM_MINMAX, CV_32FC1, Mat()); convertScaleAbs(normImage, scaledImage);//將歸一化後的圖線性變換成8位無符號整型 // 將檢測到的，且符合閾值條件的角點繪制出來 for (int j = 0; j < normImage.rows; j++) { for (int i = 0; i < normImage.cols; i++) { //Mat::at<float>(j,i)獲取像素值，並與閾值比較 if ((int)normImage.at<float>(j, i) > thresh + 80) { circle(g_srcImage1, Point(i, j), 5, Scalar(10, 10, 255), 2, 8, 0); circle(scaledImage, Point(i, j), 5, Scalar(0, 10, 255), 2, 8, 0); } } } imshow("角點檢測", g_srcImage1); imshow("角點檢測2", scaledImage); }
先看看原始圖
開始檢測，我把閾值設為30，檢測到角點還挺多的。
我把閾值進一步提高，角點變少了。認真觀察一下，是不是檢測到的點都是一些亮度明顯變化的臨界點？比如由黑變白的邊界點。
Shi-Tomasi角點檢測
除了上述的Harris角點檢測方法，我們還可以采用Shi-Tomasi方法進行角點檢測。Shi-Tomsi算法是Harris算法的加強版，性能當然也有相應的提高。
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>
#include <stdio.h>
#include <stdlib.h>
using namespace cv;
using namespace std;
Mat src, src_gray;
int maxCorners = 23;
int maxTrackbar = 100;
RNG rng(12345); //RNG：random number generator，隨機數產生器
char* source_window = "Image";
void goodFeaturesToTrack_Demo(int, void*);
int main()
{
//轉化為灰度圖
src = imread("lol19.jpg", 1);
cvtColor(src, src_gray, CV_BGR2GRAY);
namedWindow(source_window, CV_WINDOW_AUTOSIZE);
//創建trackbar
createTrackbar("MaxCorners:", source_window, &maxCorners, maxTrackbar, goodFeaturesToTrack_Demo);
imshow(source_window, src);
goodFeaturesToTrack_Demo(0, 0);
waitKey(0);
return(0);
}
void goodFeaturesToTrack_Demo(int, void*)
{
if (maxCorners < 1) { maxCorners = 1; }
//初始化 Shi-Tomasi algorithm的一些參數
vector<Point2f> corners;
double qualityLevel = 0.01;
double minDistance = 10;
int blockSize = 3;
bool useHarrisDetector = false;
double k = 0.04;
//給原圖做一次備份
Mat copy;
copy = src.clone();
// 角點檢測
goodFeaturesToTrack(src_gray,corners,maxCorners,qualityLevel,minDistance,Mat(),blockSize,useHarrisDetector,k);
//畫出檢測到的角點
cout << "** Number of corners detected: " << corners.size() << endl;
int r = 4;
for (int i = 0; i < corners.size(); i++)
{
circle(copy, corners[i], r, Scalar(rng.uniform(0, 255), rng.uniform(0, 255),
rng.uniform(0, 255)), -1, 8, 0);
}
namedWindow(source_window, CV_WINDOW_AUTOSIZE);
imshow(source_window, copy);
}
OpenCV探索之路（十五）：角點檢測