Opencv2系列學習筆記5(檢測Harris角點)

在計算機視覺中，興趣點(也叫關鍵點或者特徵點)的概念被大量用於解決物體識別、圖像匹配、視覺跟蹤、三維重建等問題。它依賴於這個想法，即不再觀察整副圖像，而是選擇某些特殊的點，然後對它們執行局部分析。如果能檢測到足夠多的這種點，同時它們的區分度很高，並且可以精確定位穩定的特徵，那麼這個方法就很有效。

Harris角點的理論部分見opencv1的這篇blog：http://blog.csdn.net/lu597203933/article/details/15088485。 下面闡述opencv2中如何進行harris角點檢測和極大值抑制。

一：harris角點檢測

Code：   

int main()
{
    Mat image = imread("F:\\huangrong.jpg", 0);
    if(!image.data)
    {
        cout << "Fail to load image" << endl;
        return 0;
    }
    Mat cornerStrength;
    int blockSize = 2;       //
    int kSize = 3;    // the size of sobel kernel
    cornerHarris(image, cornerStrength, blockSize, kSize, 0.01);  // 計算的結果爲由公式得到的分數
    //  二值化
    Mat harrisCorner;
    double thresh = 0.00001;
    threshold(cornerStrength, harrisCorner, thresh, 255, THRESH_BINARY_INV);
    namedWindow("image");
    imshow("image", image);
    namedWindow("cornerStrength");
    imshow("cornerStrength", cornerStrength);
    namedWindow("harrisCorner");
    imshow("harrisCorner", harrisCorner);
    waitKey(0);
    return 0;
}

Explaination：

<1>opencv2中使用cornerHarris(InputArray src, OutputArray dst, int blockSize,int ksize, double k, int borderType=BORDER_DEFAULT );

    第一個參數: 輸入源圖像

    第二個參數:輸出 用於保存計算得到的得分

    第三個參數：相鄰像素尺寸

    第四個：sobel運算核大小

    第五：公式中的參數

<2>二值化函數threshold( InputArray src, OutputArray dst,doublethresh,double maxval, inttype );

Result：

 

二：極大值抑制

以上獲取到的角點圖像包含許多角點羣，所以需要極大值抑制。我們使用膨脹函數dilate和比較compare運算來進行抑制。

主要思想是通過dilate和compare這兩個函數得到極大值點所對應的標識，後將二值化的得分值與標識進行與運算即bitwise_and 函數。具體解釋見代碼註釋。

Code：

HarrisDetector.h

class HarrisDetector{
private:
    // 表示角點強度的32位浮點圖像
    Mat cornerStrength;
    // 表示閥值后角度的32位浮點圖像
    Mat cornerTh;
    //  局部極大值圖像(內部)--標識
    Mat localMax;
    int neighbourhood;
    int aperture;   // the size of the sobel kernel
    double k;
    //閥值
    double thre;           //  閥值

public:
    HarrisDetector():neighbourhood(2),aperture(3), k(0.01),
        thre(0.00001){
        //setLocalMaxWindowSize(nonMaxSize);
    }
    void detect(Mat &image);    // 得到局部範圍內的極大值點所對應的標識
    Mat getCornerMap();              //得到局部極大值
    void getCorners(vector<Point> &points);   //將局部極大值點push入vector中
    void drawOnImage(Mat &image, vector<Point> &points);
};

void HarrisDetector::detect(Mat &image){   // 通過膨脹和比較得到局部極大值點所對應的標識。。
    cornerHarris(image, cornerStrength, neighbourhood, aperture, k);
    Mat dilated;
    //膨脹運算替換每個像素值爲相鄰範圍內的最大值，只有局部極大值的點纔會保留原樣
    dilate(cornerStrength, dilated, Mat());     // 膨脹操作
    compare(cornerStrength, dilated, localMax, CMP_EQ);    // 對應點是否相等進行比較 是則爲255，否則爲0
}

Mat HarrisDetector::getCornerMap()         // 二值化後通過與操作得到抑制後得極大值 ===角點
{
    Mat cornerMap;
    // 對角點圖像進行閥值化
    threshold(cornerStrength, cornerTh, thre, 255, THRESH_BINARY);
    // 轉換爲8位圖像。。
    cornerTh.convertTo(cornerMap, CV_8U);
    // 非極大值抑制
    bitwise_and(cornerMap, localMax, cornerMap);
    return cornerMap;
}
void HarrisDetector::getCorners(vector<Point> &points)   // 將極大值點所對應的points放入
{
    Mat cornerMap = getCornerMap();
    for(int y = 0; y < cornerMap.rows; y++)
    {
        uchar *cornerPtr = cornerMap.ptr<uchar>(y);      // 遍歷所有的特徵點
        for(int x = 0; x < cornerMap.cols; x++)
        {
            if(cornerPtr[x]){
                points.push_back(Point(x, y));
            }
        }
    }
}

void HarrisDetector::drawOnImage(Mat &image, vector<Point> &points)
{
    int radius = 3, thickness = 2;
    vector<Point>::iterator it = points.begin();
    // 對於所有角點
    while(it!= points.end())
    {
        // 繪製一個圓
        circle(image, *it, radius, Scalar(255,255,255), thickness);
        it ++;
    }
}

main.cpp：

Mat image = imread("F:\\huangrong.jpg", 0);
    vector<Point> points;
    HarrisDetector hdetector;
    hdetector.detect(image);          //// 通過膨脹和比較得到局部極大值點所對應的標識。。
    hdetector.getCorners(points);        // 得到極大值並將極大值點所對應的points放入
    cout << points.size()<< endl;
    hdetector.drawOnImage(image, points);<span style="font-family: Arial, Helvetica, sans-serif; background-color: rgb(255, 255, 255);">    </span>

Result：

三：適合跟蹤的優質特徵

Opencv2自帶了goodFeaturesToTrack這個函數，用於解決特徵點聚類問題，除了引入局部極大值的條件，特徵點傾向於在圖像中不均勻分佈，集中在在紋理豐富的部分。該函數的具體解釋見代碼註釋。

Code：

/*1:將cornerHarris函數得到的得分進行降序排列，依次取爲角點，數量不超過100個，兩個角點之間的距離要大於10。。
    效果:解決了特徵點聚類問題，此外特徵點傾向於在圖像中均勻分佈。
    */
    goodFeaturesToTrack(image, points, 100, 0.01, 10);  // 0.01 爲質量等級
    cout << points.size() << endl;

此外cv:: goodFeaturesToTrack函數擁有一個封裝類cv::GoodFeaturesToTrackDetector,他繼承自抽象類FeatureDetector類。下面代碼實現功能和上面一樣。

Code：

/*2：與1的效果是一樣的，只是goodFeaturesToTrack函數擁有一個封裝類GoodsFeaturesToTrackDetector，*/
    Mat result;
    vector<KeyPoint> keypoints;   // 特徵點向量
    GoodFeaturesToTrackDetector gftt(100, 0.01, 10);  // 檢測器的構造函數
    gftt.detect(image, keypoints);          // 檢測
    drawKeypoints(image, keypoints, result);

作者：小村長  出處：http://blog.csdn.net/lu597203933 歡迎轉載或分享，但請務必聲明文章出處。 （新浪微博：小村長zack, 歡迎交流！）