百度360必应搜狗淘宝本站头条
nodejsbufferorg.jsoupsetnocountoncv2.bitwise_nottime.strptime
当前位置：网站首页 > 编程字典 > 正文

角点检测实战（角点检测函数）

toyiye 2024-07-05 01:26 18 浏览 0 评论

1. Harris 角点检测

介绍： 角点是很容易在图像中定位的局部特征，并且大量存在于人造物体中（例如墙壁、门、桌子等），角点的价值在于它是两条边缘线的接合点，是一种二维特征，可以被精确地检测（即使是亚像素级精度）。

实现原理：



例子代码：

#include<opencv2/opencv.hpp>
#include<iostream>
using namespace std;
using namespace cv;
Mat srcImg, grayImg;
int thresholdValue = 130;
int maxCount = 255;
void HarrisDemo(int, void *){
    Mat dstImg, normDstImg, normScaleDst;
    dstImg = Mat::zeros(grayImg.size(), CV_32FC1);

    int blockSize = 2;  //领域尺寸
    int ksize = 3;      //口径尺寸
    double k = 0.04;    //Harris 参数
    cornerHarris(grayImg, dstImg, blockSize, ksize, k, BORDER_DEFAULT);  //角点检测
    normalize(dstImg, normDstImg, 0, 255, NORM_MINMAX, CV_32FC1, Mat()); //归一化
    convertScaleAbs(normDstImg, normScaleDst);

    Mat resultImg = srcImg.clone();
    for (int i = 0; i < resultImg.rows; i++)
    {
        uchar *currentRow = normScaleDst.ptr(i);  //用指针的方式拿出整个一行的数据，也可以用之前的方式
        for (int j = 0; j < resultImg.cols; j++)
        {
            int value = (int)*currentRow;
            if (value > thresholdValue)
            {
                circle(resultImg, Point(j, i), 2, Scalar(0, 0, 255), 2, 8, 0);
            }
            currentRow++;
        }
    }
    imshow("HarrisCornerDetection Result", resultImg);
}

void test(){
    srcImg = imread("home.jpg");

    if (srcImg.empty())
    {
        cout << "could not load image...\n" << endl;
    }
    namedWindow("Original image", CV_WINDOW_AUTOSIZE);
    namedWindow("HarrisCornerDetection Result", CV_WINDOW_AUTOSIZE);
    imshow("Original image", srcImg);

    cvtColor(srcImg, grayImg, COLOR_BGR2GRAY);  //转为灰度图像

    createTrackbar("Threshold Value", "HarrisCornerDetection Result", &thresholdValue, maxCount, HarrisDemo);
    HarrisDemo(0, 0);
}

int main(){
    test();
    waitKey(0);
    return 0;
}


效果图


2. Shi - Tomasi 角点检测

介绍：跟 Harris 角点检测的理论几乎完全一致，唯一不同的是在使用矩阵特征值 λ?λ? 计算角度响应的时候。

例子代码：

#include<opencv2/opencv.hpp>
#include<iostream>
using namespace std;
using namespace cv;
//Shi - Tomasi
Mat srcImg, grayImg;
int thresholdValue = 25;
int maxCorners = 200;
RNG rng(12345);
void ShiTomasiDemo(int, void *){
    if (thresholdValue < 5)
    {
        thresholdValue = 5;  //最少保留5个角点
    }
    vector<Point2f> corners;  //装载角点
    //函数需要的参数
    double quelityLevel = 0.01;
    double minDistance = 10;
    int blockSize = 3;
    bool useHarris = false;
    double k = 0.04;
    Mat resultImg = srcImg.clone();  //复制灰度图像的图
    goodFeaturesToTrack(grayImg, corners, thresholdValue, quelityLevel, minDistance, Mat(), blockSize, useHarris, k);
    cout << "Number of Detected Corners：" << corners.size() << endl;

    for (int i = 0; i < corners.size(); i++)
    {
        circle(resultImg, corners[i], 2, Scalar(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255)), 2, 8, 0);
    }
    imshow("ShiTomasi Detector", resultImg);
}
void test(){
    srcImg = imread("home.jpg");
    if (srcImg.empty())
    {
        cout << "could not load image...\n" << endl;
    }
    namedWindow("Original image", CV_WINDOW_AUTOSIZE);
    namedWindow("ShiTomasi Detector", CV_WINDOW_AUTOSIZE);
    imshow("Original image", srcImg);

    cvtColor(srcImg, grayImg, CV_BGR2GRAY);
    createTrackbar("Threshold Value", "ShiTomasi Detector", &thresholdValue, maxCorners, ShiTomasiDemo);
    ShiTomasiDemo(0, 0);
}
int main(){
    test();
    waitKey(0);
    return 0;
}


效果图


3. 自定义角点检测器

  • 基于 Harris 与 Shi - Tomasi 角点检测
  • 首先通过计算矩阵 M 得到 λ?λ? 两个特征值根据他们得到角点响应值
  • 然后自己设置阈值实现计算出阈值得到有响应值角点位置

例子代码：

#include<opencv2/opencv.hpp>
#include<iostream>
using namespace std;
using namespace cv;
//自定义角点检测
Mat srcImg, grayImg;
//harris corner response
Mat harrisDst, harrisRspImg;  
double harrisMinRsp;
double harrisMaxRsp;

//shi-tomasi corner response
Mat shitomasiRsp;
double shitomasiMinRsp;
double shitomasiMaxRsp;

int smQualityLevel = 30;
// quality level
int qualityLeve = 30;
int maxCount = 100;

void CustomHarrisDemo(int, void *){
    if (qualityLeve < 10)
    {
        qualityLeve = 10;  //最少10个
    }
    Mat resultImg = srcImg.clone();
    float t = harrisMinRsp + (((double)qualityLeve) / maxCount)*(harrisMaxRsp - harrisMinRsp);
    for (int i = 0; i < srcImg.rows; i++)
    {
        for (int j = 0; j < srcImg.cols; j++)
        {
            float v = harrisRspImg.at<float>(i, j);
            if (v > t)
            {
                circle(resultImg, Point(j, i), 2, Scalar(0, 0, 255), 2, 8, 0);
            }
        }
    }
    imshow("Custom Harris Corners Detector", resultImg);
}
void CustomShiTomasiDemo(int, void *){
    if (qualityLeve < 20)
    {
        qualityLeve = 20;  //最少20个
    }
    Mat resultImg = srcImg.clone();
    float t = shitomasiMinRsp + (((double)smQualityLevel) / maxCount)*(shitomasiMaxRsp - shitomasiMinRsp);
    for (int i = 0; i < srcImg.rows; i++)
    {
        for (int j = 0; j < srcImg.cols; j++)
        {
            float v = shitomasiRsp.at<float>(i, j);
            if (v > t)
            {
                circle(resultImg, Point(j, i), 2, Scalar(0, 0, 255), 2, 8, 0);
            }
        }
    }
    imshow("Custom Shi-Tomasi Corners Detector", resultImg);
}
void test(){
    srcImg = imread("home.jpg");
    if (srcImg.empty())
    {
        cout << "could not load image...\n" << endl;
    }
    namedWindow("Original image", CV_WINDOW_AUTOSIZE);
    imshow("Original image", srcImg);

    cvtColor(srcImg, grayImg, CV_BGR2GRAY);
    //计算特征值
    int blockSize = 3;
    int ksize = 3;
    double k = 0.04;
    harrisDst = Mat::zeros(srcImg.size(), CV_32FC1);
    harrisRspImg = Mat::zeros(srcImg.size(), CV_32FC1);
    cornerEigenValsAndVecs(grayImg, harrisDst, blockSize, ksize, 4);

    //计算响应
    for (int i = 0; i < harrisDst.rows; i++)
    {
        for (int j = 0; j < harrisDst.cols; j++)
        {
            double lambda1 = harrisDst.at<Vec6f>(i, j)[0];
            double lambda2 = harrisDst.at<Vec6f>(i, j)[1];
            harrisRspImg.at<float>(i, j) = lambda1*lambda2 - k*pow((lambda1 + lambda2), 2);
        }
    }
    minMaxLoc(harrisRspImg, &harrisMinRsp, &harrisMaxRsp, 0, 0, Mat());
    namedWindow("Custom Harris Corners Detector", CV_WINDOW_AUTOSIZE);
    createTrackbar("Quality Value", "Custom Harris Corners Detector", &qualityLeve, maxCount, CustomHarrisDemo);
    CustomHarrisDemo(0, 0);

    //计算最小特征值
    shitomasiRsp = Mat::zeros(srcImg.size(), CV_32FC1);
    cornerMinEigenVal(grayImg, shitomasiRsp, blockSize, ksize, 4);
    minMaxLoc(shitomasiRsp, &shitomasiMinRsp, &shitomasiMaxRsp, 0, 0, Mat());
    namedWindow("Custom Shi-Tomasi Corners Detector", CV_WINDOW_AUTOSIZE);
    createTrackbar("Quality Value", "Custom Shi-Tomasi Corners Detector", &smQualityLevel, maxCount, CustomShiTomasiDemo);
    CustomShiTomasiDemo(0, 0);
}
int main(){
    test();
    waitKey(0);
    return 0;
}


效果图


4. 亚像素级别角点检测

作用：提高检测精准度。

  • 插值方法
  • 基于图像矩计算
  • 曲线拟合方法 - （高斯曲线、多项式和椭圆曲面）。

例子代码：

#include<opencv2/opencv.hpp>
#include<iostream>
using namespace std;
using namespace cv;
//亚像素级别焦点检测

int maxCorners = 20;
int maxCount = 50;
Mat srcImg, grayImg;
void subPixelDemo(int, void *){
    if (maxCorners < 5)
    {
        maxCorners = 5;
    }
    vector<Point2f> corners;
    double qualityLevel = 0.01;
    double minDistance = 10;
    int blockSize = 3;
    double k = 0.04;

    goodFeaturesToTrack(grayImg, corners, maxCorners, qualityLevel, minDistance, Mat(), blockSize, false, k);
    cout << "number of corners：" << corners.size() << endl;
    Mat resultImg = srcImg.clone();
    for (int i = 0; i < corners.size(); i++)
    {
        circle(resultImg, corners[i], 2, Scalar(0, 0, 255), 2, 8, 0);
    }
    imshow("subPixel Result", resultImg);

    //亚像素计算（拟合）
    Size winSize = Size(5, 5);
    Size zerozone = Size(-1, -1);
    TermCriteria tc = TermCriteria(TermCriteria::EPS + TermCriteria::MAX_ITER, 40, 0.001);  //条件
    cornerSubPix(grayImg, corners, winSize, zerozone, tc);
    for (int i = 0; i < corners.size(); i++)
    {
        cout << (i + 1) << ".point[x,y]=" << corners[i].x << "," << corners[i].y << endl;
    }
    return;
}
void test(){
    srcImg = imread("home.jpg");
    if (srcImg.empty())
    {
        cout << "could not load image...\n" << endl;
    }
    namedWindow("Original image", CV_WINDOW_AUTOSIZE);
    imshow("Original image", srcImg);

    cvtColor(srcImg, grayImg, CV_BGR2GRAY);
    namedWindow("subPixel Result", CV_WINDOW_AUTOSIZE);
    createTrackbar("Cornerss：", "subPixel Result", &maxCorners, maxCount, subPixelDemo);
    subPixelDemo(0, 0);
}
int main(){
    test();
    waitKey(0);
    return 0;
}


效果图



获取例子所用的图片可以关注微信OpenCV图像处理算法获得哦，里面也会写我学习图像处理历程，欢迎大佬来交流！！！

相关推荐

为何越来越多的编程语言使用JSON（为什么编程）

JSON是JavascriptObjectNotation的缩写，意思是Javascript对象表示法，是一种易于人类阅读和对编程友好的文本数据传递方法，是JavaScript语言规范定义的一个子...

何时在数据库中使用 JSON（数据库用json格式存储）

在本文中，您将了解何时应考虑将JSON数据类型添加到表中以及何时应避免使用它们。每天?分享?最新?软件?开发?，Devops，敏捷?，测试?以及?项目?管理?最新?，最热门?的?文章?，每天?花?...

MySQL 从零开始:05 数据类型（mysql数据类型有哪些,并举例）

前面的讲解中已经接触到了表的创建，表的创建是对字段的声明，比如：上述语句声明了字段的名称、类型、所占空间、默认值和是否可以为空等信息。其中的int、varchar、char和decimal都...

JSON对象花样进阶（json格式对象）

一、引言在现代Web开发中，JSON（JavaScriptObjectNotation）已经成为数据交换的标准格式。无论是从前端向后端发送数据，还是从后端接收数据，JSON都是不可或缺的一部分。...

深入理解 JSON 和 Form-data（json和formdata提交区别）

在讨论现代网络开发与API设计的语境下，理解客户端和服务器间如何有效且可靠地交换数据变得尤为关键。这里，特别值得关注的是两种主流数据格式：...

JSON 语法（json 语法 priority）

JSON语法是JavaScript语法的子集。JSON语法规则JSON语法是JavaScript对象表示法语法的子集。数据在名称/值对中数据由逗号分隔花括号保存对象方括号保存数组JS...

JSON语法详解（json的语法规则）

JSON语法规则JSON语法是JavaScript对象表示法语法的子集。数据在名称/值对中数据由逗号分隔大括号保存对象中括号保存数组注意：json的key是字符串,且必须是双引号，不能是单引号...

MySQL JSON数据类型操作（mysql的json）

概述mysql自5.7.8版本开始，就支持了json结构的数据存储和查询，这表明了mysql也在不断的学习和增加nosql数据库的有点。但mysql毕竟是关系型数据库，在处理json这种非结构化的数据...

JSON的数据模式（json数据格式示例）

像XML模式一样，JSON数据格式也有Schema，这是一个基于JSON格式的规范。JSON模式也以JSON格式编写。它用于验证JSON数据。JSON模式示例以下代码显示了基本的JSON模式。{"...

前端学习——JSON格式详解（后端json格式）

JSON(JavaScriptObjectNotation)是一种轻量级的数据交换格式。易于人阅读和编写。同时也易于机器解析和生成。它基于JavaScriptProgrammingLa...

什么是 JSON:详解 JSON 及其优势（什么叫json）

现在程序员还有谁不知道JSON吗？无论对于前端还是后端，JSON都是一种常见的数据格式。那么JSON到底是什么呢？JSON的定义...

PostgreSQL JSON 类型:处理结构化数据

PostgreSQL提供JSON类型，以存储结构化数据。JSON是一种开放的数据格式，可用于存储各种类型的值。什么是JSON类型？JSON类型表示JSON(JavaScriptO...

JavaScript:JSON、三种包装类（javascript 包）

JOSN:我们希望可以将一个对象在不同的语言中进行传递，以达到通信的目的，最佳方式就是将一个对象转换为字符串的形式JSON（JavaScriptObjectNotation）-JS的对象表示法...

Python数据分析 只要1分钟 教你玩转JSON 全程干货

Json简介：Json，全名JavaScriptObjectNotation,JSON(JavaScriptObjectNotation(记号、标记))是一种轻量级的数据交换格式。它基于J...

比较一下JSON与XML两种数据格式?（json和xml哪个好）

JSON（JavaScriptObjectNotation）和XML（eXtensibleMarkupLanguage）是在日常开发中比较常用的两种数据格式，它们主要的作用就是用来进行数据的传...

取消回复欢迎 你 发表评论:

请填写验证码
一周热门
最近发表
标签列表