特徵點又稱興趣點、關鍵點，它是在圖像中突出且具有代表意義的一些點，通過這些點我們可以用來識別圖像、進行圖像配準、進行3D重建等。本文主要介紹OpenCV中幾種定位與表示關鍵點的函數。
一、Harris角點
角點是圖像中最基本的一種關鍵點，它是由圖像中一些幾何結構的關節點構成，很多都是線條之間產生的交點。Harris角點是一類比較經典的角點類型，它的基本原理是計算圖像中每點與周圍點變化率的平均值。
(1)
(2)
其中I(x+u,y+u)代表了點(x,y)鄰域點的灰度值。通過變換可以將上式變化爲一個協方差矩陣求特徵值的問題(2)，具體數學原理本文不過多描述。
OpenCV的Hairrs角點檢測的函數爲cornerHairrs()，但是它的輸出是一幅浮點值圖像，浮點值越高，表明越可能是特徵角點，我們需要對圖像進行閾值化。我們使用一張建築圖像來顯示：
int main()
{
Mat image=imread("../buliding.png");
Mat gray;
cvtColor(image,gray,CV_BGR2GRAY);
Mat cornerStrength;
cornerHarris(gray,cornerStrength,3,3,0.01);
threshold(cornerStrength,cornerStrength,0.001,255,THRESH_BINARY);
return 0;
}
首先我們來說明一下cornerHairrs()這個函數參數的意思：
前2參數是輸入與輸出，輸入是一個灰度圖像，輸出是一個浮點圖像，第三個參數指定角點分析的鄰域，第4個參數實際上在角點求取過程中計算梯度圖像的核窗口大小，第5個參數是它原理公式(2)中的一個係數。
從上面的例子的結果我們可以看到，有很多角點都是粘連在一起的，我們下面通過加入非極大值抑制來進一步去除一些粘在一起的角點。
非極大值抑制原理是，在一個窗口內，如果有多個角點則用值最大的那個角點，其他的角點都刪除，窗口大小這裏我們用3*3，程序中通過圖像的膨脹運算來達到檢測極大值的目的，因爲默認參數的膨脹運算就是用窗口內的最大值替代當前的灰度值。程序的最後使用了一個畫角點的函數將角點顯示在圖像中，這個函數與本系列第5篇中畫角點的函數是一致的。
int main()
{
Mat image=imread("../buliding.png");
Mat gray;
cvtColor(image,gray,CV_BGR2GRAY);
Mat cornerStrength;
cornerHarris(gray,cornerStrength,3,3,0.01);
double maxStrength;
double minStrength;
// 找到圖像中的最大、最小值
minMaxLoc(cornerStrength,&minStrength,&maxStrength);
Mat dilated;
Mat locaMax;
// 膨脹圖像，最找出圖像中全部的局部最大值點
dilate(cornerStrength,dilated,Mat());
// compare是一個邏輯比較函數，返回兩幅圖像中對應點相同的二值圖像
compare(cornerStrength,dilated,locaMax,CMP_EQ);
Mat cornerMap;
double qualityLevel=0.01;
double th=qualityLevel*maxStrength; // 閾值計算
threshold(cornerStrength,cornerMap,th,255,THRESH_BINARY);
cornerMap.convertTo(cornerMap,CV_8U);
// 逐點的位運算
bitwise_and(cornerMap,locaMax,cornerMap);
drawCornerOnImage(image,cornerMap);
namedWindow("result");
imshow("result",image);
waitKey();
return 0;
}
void drawCornerOnImage(Mat& image,const Mat&binary)
{
Mat_<uchar>::const_iterator it=binary.begin<uchar>();
Mat_<uchar>::const_iterator itd=binary.end<uchar>();
for(int i=0;it!=itd;it++,i++)
{
if(*it)
circle(image,Point(i%image.cols,i/image.cols),3,Scalar(0,255,0),1);
}
}現在我們得到的效果就比默認的函數得到的結果有相當的改善。
由於cornerHarris的一些缺點，OpenCV提供了另一個相似的函數GoodFeaturesToTrack()它用角點間的距離限制來防止角點粘連在一起。
goodFeaturesToTrack(image,corner,
500, // 最多檢測到的角點數
0.01, // 閾值係數
10); // 角點間的最小距離它可以得到與上面基本一致的結果。
二、FAST特徵點
harris特徵在算法複雜性上比較高，在大的複雜的目標識別或匹配應用上效率不能滿足要求，OpenCV提供了一個快速檢測角點的類FastFeatureDetector，而實際上FAST並不是快的意思，而是Features from Accelerated Segment Test，但這個算法效率確實比較高，下面我們來看看這個類的用法。
OpenCV裏爲角點檢測提供了統一的接口，通過類下面的detect方法來檢測對應的角點，而輸出格式都是vector<KeyPoint>。
vector<KeyPoint> keypoints;
FastFeatureDetector fast( // 定義檢測類
40); //40是檢測的閾值
fast.detect(image,keypoints);
drawKeypoints(image,keypoints,image,Scalar(255,0,0),
DrawMatchesFlags::DRAW_OVER_OUTIMG);其中drawKeypoints是OpenCV提供的在圖像上畫角點的函數。它的參數可以讓我們選擇用不同的方式標記出特徵點。
三、尺度不變的SURF特徵
surf特徵是類似於SIFT特徵的一種尺度不變的特徵點，它的優點在於比SIFT效率要高，在實際運算中可以達到實時性的要求，關於SURF的原理這裏就不過多的介紹，網絡上這類的文章很多。
類似於FAST特徵點的求法，SURF也可以使用通用接口求得，而SURF特徵的類爲SurfFeatureDetector，類似的SIFT特徵點的檢測類爲SiftFeatureDetector。
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/nonfree/features2d.hpp>
using namespace cv;
int main()
{
Mat image=imread("../buliding.png");
vector<KeyPoint> keypoints;
SurfFeatureDetector surf(2500.);
surf.detect(image,keypoints);
drawKeypoints(image,keypoints,image,Scalar(255,0,0),
DrawMatchesFlags::DRAW_RICH_KEYPOINTS);
namedWindow("result");
imshow("result",image);
waitKey();
return 0;
}這裏有一個值得說明的問題是：OpenCV2.4版本後好像把SurfFeatureDetector這個類的定義移到了頭文件nonfree/features2d.hpp
中，所以頭文件中要加入該文件，並且要把opencv_nonfree24xd.lib加入屬性表的鏈接器熟悉的輸入中，其中x換成你當前opencv的版本號。
最終的顯示效果如下：
四、SURF特徵的描述
在圖像配準中，特徵點的描述往往不是位置這麼簡單，而是使用了一個N維向量來描述一個特徵點，這些描述子之間可以通過定義距離公式來比較相近程度。
SurfDescriptorExtractor 是一個提取SURF特徵點以及其描述的類。
下面是一個寬景圖像的拼接配準的例子：
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/nonfree/features2d.hpp>
#include <opencv2/legacy/legacy.hpp>
using namespace cv;
int main()
{
Mat image1=imread("../b1.png");
Mat image2=imread("../b2.png");
// 檢測surf特徵點
vector<KeyPoint> keypoints1,keypoints2;
SurfFeatureDetector detector(400);
detector.detect(image1, keypoints1);
detector.detect(image2, keypoints2);
// 描述surf特徵點
SurfDescriptorExtractor surfDesc;
Mat descriptros1,descriptros2;
surfDesc.compute(image1,keypoints1,descriptros1);
surfDesc.compute(image2,keypoints2,descriptros2);
// 計算匹配點數
BruteForceMatcher<L2<float>>matcher;
vector<DMatch> matches;
matcher.match(descriptros1,descriptros2,matches);
std::nth_element(matches.begin(),matches.begin()+24,matches.end());
matches.erase(matches.begin()+25,matches.end());
// 畫出匹配圖
Mat imageMatches;
drawMatches(image1,keypoints1,image2,keypoints2,matches,
imageMatches,Scalar(255,0,0));
namedWindow("image2");
imshow("image2",image2);
waitKey();
return 0;
}程序中我們選擇了25個配準點，得到最後的匹配如下：
