《Opencv3编程入门》学习笔记—第十章

news/2024/7/21 5:51:27 标签: 计算机视觉, opencv, c++, 图像处理

《Opencv3编程入门》学习笔记

记录一下在学习《Opencv3编程入门》这本书时遇到的问题或重要的知识点。

第十章 角点检测

一、Harris角点检测

（一）兴趣点与角点

1、图像特征类型：

  • 边缘
  • 角点（感兴趣点）
  • 斑点（感兴趣区域）

2、角点定义：

  • 一阶导数（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，指示了物体边缘变化不连续的方向

（二）角点检测

3、角点检测算法：
（1）基于灰度图像的角点检测

  • 基于梯度
  • 基于模板
    考虑像素邻域点的灰度变化，将与邻域点亮度对比足够大的点定义为角点
    常见算法：Kitchen-Rosenfeld角点检测、Harris角点检测、KLT角点检测、SUSAN角点检测
  • 基于模板梯度组合

（2）基于二值图像的角点检测
（3）基于轮廓曲线的角点检测

（三）harris角点检测

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。但由于采用了高斯滤波，运算速度相对较慢，焦点信息有丢失和位置偏移的现象，而且角点提取有聚簇现象。

（四）实现Harris角点检测：cornerHarris()函数

1、作用：
  基于灰度图像的角点提取算法，运行Harris角点检测算子进行角点检测
2、原理：
  和cornerMinEigenVal()以及cornerEigenValsAndVecs()函数类似，cornerHarris函数对于每一个像素(x,y)在blockSize*blockSize邻域内，计算2 * 2梯度的协方差矩阵M(x,y)，然后找出输出图中局部最大值，即找出角点：
   在这里插入图片描述            
3、函数原型：

void cornerHarris(InputArray src, OutputArray dst, int blockSize, int ksize, double k, intborderType=BORDER_DEFAULT)

4、参数说明：
（1）输入图像，单通道8位或浮点型图像
（2）存放Harris角点检测输出结果，与原图像一样尺寸和类型
（3）邻域大小
（4）Sobel()算子孔径大小
（5）Harris参数
（6）图像像素边界模式，默认BORDER_DEFAULT

示例代码

#include<opencv2/opencv.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
using namespace cv;
int main()
{
	//载入灰度图像并显示
	Mat srcImage = imread("D://lili/Desktop/jpg/opencv/9.jpg", 0);
	imshow("【原始图】", srcImage);

	//进行Harris角点检测
	Mat cornerStrength;
	cornerHarris(srcImage, cornerStrength, 2, 3, 0.01);

	//对灰度图进行阈值操作，得到二值图并显示
	Mat harrisCorner;
	threshold(cornerStrength, harrisCorner, 0.00001, 255, THRESH_BINARY);
	imshow("【角点检测后的二值效果图】", harrisCorner);

	waitKey(0);
	return 0;
}

运行效果
在这里插入图片描述

（五）综合示例：harris角点检测与绘制

示例代码

/*
	程序说明：滑动条调节阈值，以控制harris检测角点数量
*/
#include<opencv2/opencv.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
#include<iostream>
using namespace cv;
using namespace std;
//定义辅助宏
#define WINDOW_NAME1 "【原始图窗口】"
#define WINDOW_NAME2 "【程序窗口1】"
#define WINDOW_NAME3 "【程序窗口2】"
//全局变量
Mat g_srcImage, g_srcImage1, g_grayImage;
int thresh = 30;
int max_thresh = 175;
//全局函数
void on_CornerHarris(int, void*);
int main()
{
	//载入原图
	g_srcImage = imread("D://lili/Desktop/jpg/opencv/6.jpg");
	if (!g_srcImage.data)
	{
		printf("载入原图失败\n");
		return false;
	}
	imshow(WINDOW_NAME1, g_srcImage);

	g_srcImage.copyTo(g_srcImage1);
	cvtColor(g_srcImage, g_grayImage, COLOR_RGB2GRAY);
	
	//创建滑动条并初始化
	namedWindow(WINDOW_NAME2, WINDOW_AUTOSIZE);
	createTrackbar("阈值：", WINDOW_NAME2, &thresh, max_thresh, on_CornerHarris);
	on_CornerHarris(0, 0);

	waitKey(0);
	return 0;
}
void on_CornerHarris(int, void*)
{
	//局部变量
	Mat dstImage;//目标图
	Mat normImage;//归一化图
	Mat scaledImage;//线性变换后的八位无符号整型图
	
	//初始化
	//置零当前需要显示的两幅图，即清除上一次调用此函数时的值
	dstImage = Mat::zeros(g_srcImage.size(), CV_32FC1);
	g_srcImage.copyTo(g_srcImage1);
	
	//角点检测
	cornerHarris(g_grayImage, dstImage, 2, 3, 0.04, BORDER_DEFAULT);
	//归一化与转换
	normalize(dstImage, normImage, 0, 255, NORM_MINMAX, CV_32FC1, Mat());
	convertScaleAbs(normImage, scaledImage);//将归一化后的图线性变换成8位无符号整型
	//将检测到的，符合阈值条件的角点绘制出来
	for (int i = 0; i < normImage.rows; i++)
	{
		for (int j = 0; j < normImage.cols; j++)
		{
			if ((int)normImage.at<float>(i, j) > thresh + 80)
			{
				circle(g_srcImage1, Point(j, i), 5, Scalar(10, 10, 255), 2, 8, 0);
				circle(scaledImage, Point(j, i), 5, Scalar(0, 10, 255), 2, 8, 0);
			}
		}
	}
	imshow(WINDOW_NAME2, g_srcImage1);
	imshow(WINDOW_NAME3, scaledImage);
}

运行效果
在这里插入图片描述

二、Shi-Tomasi角点检测

（一）Shi-Tomasi角点检测概述

Shi-Tomasi算法是Harris算法的改进

（二）确定图像强角点：goodFeaturesToTrack()函数

1、定义：
  Harris算法改进，若矩阵M行列式的值与M的迹中较小的一个大于最小阈值，则会得到强角点
2、作用：
  确定图像的强角点，可用来初始化一个基于点的对象跟踪操作
3、函数原型：

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)

4、参数说明：
（1）输入图像，8位或浮点型32位单通道图像
（2）检测到的角点输出向量
（3）角点最大数量
（4）角点检测可接受的最小特征值为qualityLevel与图像中最大特征值的乘积，qualityLevel通常取0.1或0.01
（5）角点之间的最小距离，返回的角点之间距离不小于minDistance个像素
（6）可选参数，表示感兴趣区域，默认noArray()，参数非空则指定角点检测区域
（7）计算导数自相关矩阵时指定的范围，默认3
（8）指示是否使用Harris角点检测，默认false
（9）用于设置Hessian自相关矩阵行列式的相对权重的权重系数，默认0.04

（三）综合示例：Shi-Tomasi角点检测

示例代码

#include<opencv2/opencv.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
#include<iostream>
using namespace cv;
using namespace std;
//定义辅助宏
#define WINDOW_NAME "【Shi-Tomasi角点检测】"
//全局变量
Mat g_srcImage, g_grayImage,g_dstImage;
int g_maxCornerNumber = 33;//角点检测最大数量
int g_maxTrackbarNumber = 500;
RNG g_rng(12345);
//全局函数
void on_GoodFeaturesToTrack(int, void*);

int main()
{
	cout << "\n\n\t欢迎来到【Shi-Tomasi角点检测】示例程序\n" << endl;
	//载入原图像
	g_srcImage = imread("D://lili/Desktop/jpg/opencv/6.jpg", 1);
	cvtColor(g_srcImage, g_grayImage, COLOR_RGB2GRAY);
	namedWindow(WINDOW_NAME, WINDOW_AUTOSIZE);
	imshow(WINDOW_NAME, g_srcImage);
	//创建滑动条，回调函数初始化
	createTrackbar("最大角点数", WINDOW_NAME, &g_maxCornerNumber, g_maxTrackbarNumber, on_GoodFeaturesToTrack);
	on_GoodFeaturesToTrack(0, 0);

	waitKey(0);
	return 0;
}
void on_GoodFeaturesToTrack(int, void*)
{
	//对变量小于等于1时的处理
	if (g_maxCornerNumber <= 1) { g_maxCornerNumber = 1; }
	//Shi-Tomasi算法的参数准备
	vector<Point2f>corners;
	double qualityLevel = 0.01;//角点检测可接受最小特征值
	double minDistance = 10;//角点之间最小距离
	int blockSize = 3;//计算导数自相关矩阵时指定的邻域范围
	double k = 0.04;//权重系数
	Mat g_dstImage = g_srcImage.clone();

	//进行Shi-Tomasi角点检测
	goodFeaturesToTrack(g_grayImage, corners, g_maxCornerNumber, qualityLevel, minDistance, Mat(), blockSize, false, k);
	//输出文字信息
	cout << "\t>此次检测到的角点数量为：" << corners.size() << endl;
	//绘制检测到的角点
	int r = 4;
	for (int i = 0; i < corners.size(); i++)
	{
		//以随机的颜色绘制出角点
		circle(g_dstImage, corners[i], r, Scalar(g_rng.uniform(0, 255), g_rng.uniform(0, 255), g_rng.uniform(0, 255)), -1, 8, 0);
	}
	//显示窗口
	imshow(WINDOW_NAME, g_dstImage);
}

运行效果
在这里插入图片描述

三、亚像素级角点检测

（一）背景概述

1、原理：
  假设起始角点在实际亚像素角点附近，检测所有q-p向量，下面两种情况点p梯度与q-p向量的点积均为0：（1）点p附近图像均匀，即点p处梯度为0（2）边缘的梯度与沿边缘方向的q-p向量正交（向量与其正交向量点积为0），如下图：
   在这里插入图片描述
       
  则可以在p点周围找到很多组梯度以及相关向量q-p，令其点积为0，求解方程组，解即为角点q的亚像素级精度位置。
2、作用：
  将角点位置精确到亚像素级精度（精确的浮点类型位置），可用于几何测量、摄像机标定、跟踪并重建摄像机的轨迹。

（二）寻找亚像素级角点：cornerSubPix()函数

寻找亚像素级角点

void cornerSubPix(InputArray image, InputOutputArray corners, Size winSize, Size zeroZone, TermCriteria criteria)

（1）输入图像
（2）输入角点的初始坐标和精确的输出坐标
（3）搜索窗口一半，若 winSize=Size(5，5)，表示使用（52+1）（52+1）=1111大小窗口
（4）死区一半，死区为不对搜索区的中央位置做求和运算的区域，用来避免自相关矩阵出现的某些可能的奇异性，值（-1，-1）表示没有死区
（5）求角点的迭代过程的终止条件。即角点位置的确定，迭代数大于或精确达到某设定值，此参数为最大迭代数或精确度或它们的组合

（三）综合示例：亚像素级角点检测

示例代码

/*
  程序说明：在Shi-Tomasi角点检测示例程序基础上，在on_GoodFeaturesToTrack()回调函数中加上亚像素角点检测代码，完成亚像素级角点检测
*/
#include<opencv2/opencv.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/imgproc/imgproc.hpp>
using namespace cv;
using namespace std;
//定义辅助宏
#define WINDOW_NAME "【亚像素级角点检测】"
//全局变量
Mat g_srcImage, g_grayImage, g_dstImage;
int g_maxCornerNumber = 30;
int g_maxTrackbarNumber = 500;
RNG g_rng(12345);
//全局函数
void on_GoodFeaturesToTrack(int, void*);
void ShowHelpText();

int main()
{
	cout << "\n\n\t欢迎来到【亚像素角点检测】示例程序\n" << endl;
	//载入原图
	g_srcImage = imread("D://lili/Desktop/jpg/opencv/6.jpg",1);
	cvtColor(g_srcImage, g_grayImage, COLOR_RGB2GRAY);
	namedWindow(WINDOW_NAME, WINDOW_AUTOSIZE);
	imshow(WINDOW_NAME, g_srcImage);
	//创建滑动条,回调函数初始化
	createTrackbar("最大角点数", WINDOW_NAME, &g_maxCornerNumber, g_maxTrackbarNumber, on_GoodFeaturesToTrack);
	on_GoodFeaturesToTrack(0, 0);

	waitKey(0);
	return 0;
}
void on_GoodFeaturesToTrack(int, void*)
{
	//对变量小于1时的处理
	if (g_maxCornerNumber <= 1) { g_maxCornerNumber = 1; }
	
//【1】Shi-Tomasi算法参数设置
	vector<Point2f>corners;
	double qualityLevel = 0.01;
	double minDistance = 10;
	int blockSize = 3;
	double k = 0.04;
	g_dstImage = g_srcImage.clone();
	//进行Shi-Tomasi角点检测
	goodFeaturesToTrack(g_grayImage, corners, g_maxCornerNumber, qualityLevel, minDistance, Mat(), blockSize, false, k);
	//输出文字信息
	cout << "\t>此次检测到的角点数量为：" << corners.size() << endl;
	//绘制角点
	int r = 4;
	for (int i = 0; i < corners.size(); i++)
	{
		//以随机颜色绘制出角点
		circle(g_dstImage, corners[i], r, Scalar(g_rng.uniform(0, 255), g_rng.uniform(0, 255), g_rng.uniform(0, 255)), -1, 8, 0);
	}
	//显示更新窗口
	imshow(WINDOW_NAME, g_dstImage);
	
//【2】亚像素角点检测参数设置
	Size winSize = Size(5, 5);
	Size zeroZone = Size(-1, -1);
	TermCriteria criteria = TermCriteria(TermCriteria::EPS + TermCriteria::MAX_ITER, 40, 0.001);
	//计算出亚像素角点位置
	cornerSubPix(g_grayImage, corners, winSize, zeroZone, criteria);
	//输出角点信息
	for (int i = 0; i < corners.size(); i++)
	{
		cout << "\t>>精确角点坐标[" << i << "](" << corners[i].x << "," << corners[i].y << ")" << endl;
	}
}

运行效果
在这里插入图片描述


http://www.niftyadmin.cn/n/479151.html

相关文章

[C++][windows]std::thread线程函数是类的成员函数是否可以在线程函数里面改变类变量的值的问题

[C++][windows]std::thread线程函数是类的成员函数是否可以在线程函数里面改变类变量的值的问题

先看代码&#xff1a; #include <iostream> #include <thread> #include <string> using namespace std;class B { public:int age 18;void Say(){std::cout << "Say B" << std::endl;} };class A { public:int age 10;void Say(){…
阅读更多...
Apikit 自学日记：发起快速测试

Apikit 自学日记：发起快速测试

功能入口&#xff1a;API管理应用 / 选中某个项目 / API文档菜单 / 选中标签页旁加号 发起快速测试 如果未创建该接口文档&#xff0c;仅临时调试接口&#xff0c;则可创建API快速测试页面。可在这个页面输入接口相关的信息并进行快速测试。具体各协议的测试字段配置&#xf…
阅读更多...
Elasticsearch 安装使用

Elasticsearch 安装使用

下载安装 elasticsearch下载链接 运行&#xff1a;bin\elasticsearch.bat 设置密码&#xff1a;.\bin\elasticsearch-setup-passwords interactive 这边设置密码遇到一个坑 PS G:\elasticsearch-8.8.1> .\bin\elasticsearch-setup-passwords interactiveFailed to authe…
阅读更多...
【数组基本】Leetcode 66 整数加1

【数组基本】Leetcode 66 整数加1

Leetcode 66. 整数加一 这道题用一个数组来表示整数&#xff0c;digits[0] ~ digits[ length - 1 ] 依次表示整数的 最高位 至 最低位。例如&#xff0c;digits [1, 2, 3] 表示整数 123。现在要把这个整数加 1&#xff0c;返回相加结果的数组表示。 问题分析 按照我们平时做…
阅读更多...
Python中的四种条件语句结构和应用举例

Python中的四种条件语句结构和应用举例

Python中的四种条件语句结构和应用举例 条件语句是计算机实现分类高效执行计算的重要方法。在许多计算机语言编写&#xff08;C语言&#xff0c;Java语言&#xff0c;matlab语言等&#xff09;的时候&#xff0c;都有涉及条件语句的部分&#xff0c;本文对Python语言中的条件语…
阅读更多...
150个专业婚礼电影LUTs视频调色预设

150个专业婚礼电影LUTs视频调色预设

Professional Cinematic Wedding LUTs for Filmmakers包含150个专业婚礼电影LUTs视频调色预设&#xff0c;使用这些预设可以对您的视频和图像进行颜色分级&#xff0c;这对于人像摄影师来说非常重要。、
阅读更多...
html学习笔记05-布局、表单、输入

html学习笔记05-布局、表单、输入

https://www.runoob.com/html/html-layouts.html 使用 div、table元素进行网页布局 创建一个表单&#xff0c;包含两个输入框&#xff1a; <form action""> //创建表单 First name: <input type"text" name"firstname"><br/>…
阅读更多...
Docker 制作各 ROS 版本 VINS-Fusion 镜像

Docker 制作各 ROS 版本 VINS-Fusion 镜像

准备工作&#xff1a; 安装 ros noetic/Installation/Ubuntu - ROS Wiki 安装 docker Ubuntu Docker 安装 | 菜鸟教程 制作 Ubuntu 16.04 或 Ubuntu 18.04 下的 vins-fusion 镜像 note: 如果要制作 Ubuntu 16.04 下的 vins-fusion 镜像只需完全按照下面的步骤进行 如果要制…
阅读更多...
最新文章

Copyright @ 2022~2023