生活随笔
收集整理的這篇文章主要介紹了
角点检测：Harris角点及Shi-Tomasi角点检测
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
角點
特征檢測與匹配是Computer Vision 應用總重要的一部分，這需要尋找圖像之間的特征建立對應關系。點，也就是圖像中的特殊位置，是很常用的一類特征，點的局部特征也可以叫做“關鍵特征點”(keypoint feature interest point conrner
關于角點的具體描述可以有幾種：
一階導數(即灰度的梯度)的局部最大所對應的像素點； 兩條及兩條以上邊緣的交點； 圖像中梯度值和梯度方向的變化速率都很高的點； 角點處的一階導數最大，二階導數為零，指示物體邊緣變化不連續的方向。 ?
Harris角點檢測
當一個窗口在圖像上移動，在平滑區域如圖(a)，窗口在各個方向上沒有變化。在邊緣上如圖(b)，窗口在邊緣的方向上沒有變化。在角點處如圖(c)，窗口在各個方向上具有變化。Harris角點檢測正是利用了這個直觀的物理現象，通過窗口在各個方向上的變化程度，決定是否為角點。
將圖像窗口平移[u,v]產生灰度變化E(u,v)
由：， 得到：
對于局部微小的移動量 [u,v]，近似表達為：
其中M是 2*2 矩陣，可由圖像的導數求得：
E(u,v)的橢圓形式如下圖：
?
定義角點響應函數?R ? 為：
Harris角點檢測算法就是對角點響應函數R進行閾值處理：R > threshold，即提取R的局部極大值。
【相關代碼】
OpenCV中定義了 cornerHarris 函數：
[cpp] ?view plaincopy
void ?cornerHarris(?InputArray?src,?OutputArray?dst,? int ?blockSize,?? ????????????????????????????????int ?ksize,? double ?k,?? ????????????????????????????????int ?borderType=BORDER_DEFAULT?);??
可以結合 convertScaleAbs 函數，通過閾值取角點：
[cpp] ?view plaincopy
void ?cornerHarris_demo(? int ,? void *?)?? {?? ??Mat?dst,?dst_norm;?? ??dst?=?Mat::zeros(?src.size(),?CV_32FC1?);?? ???? ??int ?blockSize?=?2;?? ??int ?apertureSize?=?3;?? ??double ?k?=?0.04;?? ???? ??cornerHarris(?src_gray,?dst,?blockSize,?apertureSize,?k,?BORDER_DEFAULT?);?? ???? ??normalize(?dst,?dst_norm,?0,?255,?NORM_MINMAX,?CV_32FC1,?Mat()?);?? ??convertScaleAbs(?dst_norm,?dst_norm_scaled?);??? ???? ??for (? int ?j?=?0;?j?<?dst_norm.rows?;?j++?)?? ?????{?for (? int ?i?=?0;?i?<?dst_norm.cols;?i++?)?? ??????????{?? ????????????if (?( int )?dst_norm.at< float >(j,i)?>?thresh?)?? ??????????????{??? ????????????????circle(?dst_norm_scaled,?Point(?i,?j?),?5,??Scalar(0),?2,?8,?0?);??? ????????????????circle(src,Point(?i,?j?),?5,??Scalar(255,0,0),?-1,?8,?0?);?? ??????????????}?? ??????????}??? ?????}?????? ???? ??imshow(?corners_window,?dst_norm_scaled?);?? ??imshow(?source_window,?src?);???? }??
?
Shi-Tomasi 算法
Shi-Tomasi 算法是Harris 算法的改進。Harris 算法最原始的定義是將矩陣 M 的行列式值與 M 的跡相減，再將差值同預先給定的閾值進行比較。后來Shi 和Tomasi 提出改進的方法，若兩個特征值中較小的一個大于最小閾值，則會得到強角點。
如上面第二幅圖中，對自相關矩陣 M 進行特征值分析，產生兩個特征值和兩個特征方向向量。因為較大的不確定度取決于較小的特征值，也就是，所以通過尋找最小特征值的最大值來尋找好的特征點也就解釋的通了。
?
【相關代碼】
由于這種Shi-Tomasi算子與1994年在文章?Good Features to Track?[1]中提出，OpenCV 實現的算法的函數名定義為 goodFeaturesToTrack：
[cpp] ?view plaincopy
void ?goodFeaturesToTrack(?InputArray?image,?OutputArray?corners,?? ?????????????????????????????????????int ?maxCorners,? double ?qualityLevel,? double ?minDistance,?? ?????????????????????????????????????InputArray?mask=noArray(),?int ?blockSize=3,?? ?????????????????????????????????????bool ?useHarrisDetector= false ,? double ?k=0.04?);??
自定義使用函數（以方便createTrackbar的響應）如下：
[cpp] ?view plaincopy
void ?cornerShiTomasi_demo(? int ,? void *?)?? {?? ??if (?maxCorners?<?1?)?{?maxCorners?=?1;?}?? ???? ??vector<Point2f>?corners;?? ??double ?qualityLevel?=?0.01;?? ??double ?minDistance?=?10;?? ??int ?blockSize?=?3;?? ??bool ?useHarrisDetector?=? false ;?? ??double ?k?=?0.04;?? ???? ??Mat?cormat;?? ???? ??goodFeaturesToTrack(?src_gray,??? ???????????????corners,?? ???????????????maxCorners,?? ???????????????qualityLevel,?? ???????????????minDistance,?? ???????????????Mat(),?? ???????????????blockSize,?? ???????????????useHarrisDetector,?? ???????????????k?);?? ???? ??for (? int ?i?=?0;?i?<?corners.size();?i++?){??? ??????circle(?dst_norm_scaled,??corners[i],?5,??Scalar(255),?2,?8,?0?);??? ??????circle(?src,?corners[i],?4,?Scalar(0,255,0),?2,?8,?0?);??? ??}?? ?? ???? ??imshow(?corners_window,?dst_norm_scaled?);?? ??imshow(?source_window,?src?);???? }??
?
實踐
在主函數中定義兩個進度條方便調整閾值：
[cpp] ?view plaincopy
namedWindow(?source_window,?CV_WINDOW_AUTOSIZE?);?? createTrackbar(?"Threshold:?" ,?source_window,?&thresh,?max_thresh,?cornerHarris_demo?);?? createTrackbar(?"Max??corners:" ,?source_window,?&maxCorners,?maxTrackbar,?cornerShiTomasi_demo?);???? ?? namedWindow(?corners_window,?CV_WINDOW_AUTOSIZE?);?? namedWindow(?source_window,?CV_WINDOW_AUTOSIZE?);?? imshow(?source_window,?src?);???? ?? cornerHarris_demo(?0,?0?);?? cornerShiTomasi_demo(?0,?0?);??
[cpp] ?view plaincopy
#include?"opencv2/legacy/legacy.hpp" ?? #include?"opencv2/nonfree/nonfree.hpp" ??
?
角點檢測結果：
藍色實心點為Harris檢測結果，綠色空心圈為goodFeaturetoTrack檢測結果。
M特征值分解后每個像素點相減的圖（也就是Harris閾值判斷的圖）如下：
黑色實心點為Harris閾值檢測結果，白色空心圈為閾值為27時Shi-Tomasi檢測結果。
轉載請注明出處：http://blog.csdn.net/xiaowei_cqu/article/details/7805206
源碼及資料下載：?http://download.csdn.net/detail/xiaowei_cqu/4466627
參考資料：
[1] Shi and C. Tomasi.?Good Features to Track.?Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 593-600, June 1994.
[2] Richard Szeliski.?Computer Vision: Algorithms and Applications.?Springer, New York, 2010.
[3] 圖像特征點提取PPT?http://wenku.baidu.com/view/f61bc369561252d380eb6ef0.html?
總結
以上是生活随笔 為你收集整理的角点检测：Harris角点及Shi-Tomasi角点检测 的全部內容，希望文章能夠幫你解決所遇到的問題。
如果覺得生活随笔 網站內容還不錯，歡迎將生活随笔 推薦給好友。
