Opencv2系列学习笔记5(检测Harris角点)

在计算机视觉中，兴趣点(也叫关键点或者特征点)的概念被大量用于解决物体识别、图像匹配、视觉跟踪、三维重建等问题。它依赖于这个想法，即不再观察整副图像，而是选择某些特殊的点，然后对它们执行局部分析。如果能检测到足够多的这种点，同时它们的区分度很高，并且可以精确定位稳定的特征，那么这个方法就很有效。

Harris角点的理论部分见opencv1的这篇blog：http://blog.youkuaiyun.com/lu597203933/article/details/15088485。 下面阐述opencv2中如何进行harris角点检测和极大值抑制。

一：harris角点检测

Code：   

[cpp]  view plain  copy

 print ?

1. int main()  
2. {  
3.     Mat image = imread("F:\\huangrong.jpg", 0);  
4.     if(!image.data)  
5.     {  
6.         cout << "Fail to load image" << endl;  
7.         return 0;  
8.     }  
9.     Mat cornerStrength;  
10.     int blockSize = 2;       //   
11.     int kSize = 3;    // the size of sobel kernel  
12.     cornerHarris(image, cornerStrength, blockSize, kSize, 0.01);  // 计算的结果为由公式得到的分数  
13.     //  二值化  
14.     Mat harrisCorner;  
15.     double thresh = 0.00001;  
16.     threshold(cornerStrength, harrisCorner, thresh, 255, THRESH_BINARY_INV);  
17.     namedWindow("image");  
18.     imshow("image", image);  
19.     namedWindow("cornerStrength");  
20.     imshow("cornerStrength", cornerStrength);  
21.     namedWindow("harrisCorner");  
22.     imshow("harrisCorner", harrisCorner);  
23.     waitKey(0);  
24.     return 0;  
25. }  

Explaination：

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

    第一个参数: 输入源图像

    第二个参数:输出 用于保存计算得到的得分

    第三个参数：相邻像素尺寸

    第四个：sobel运算核大小

    第五：公式中的参数

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

Result：

 

二：极大值抑制

以上获取到的角点图像包含许多角点群，所以需要极大值抑制。我们使用膨胀函数dilate和比较compare运算来进行抑制。

主要思想是通过dilate和compare这两个函数得到极大值点所对应的标识，后将二值化的得分值与标识进行与运算即bitwise_and 函数。具体解释见代码注释。

Code：

HarrisDetector.h

[cpp]  view plain  copy

 print ?

1. class HarrisDetector{  
2. private:  
3.     // 表示角点强度的32位浮点图像  
4.     Mat cornerStrength;  
5.     // 表示阀值后角度的32位浮点图像  
6.     Mat cornerTh;  
7.     //  局部极大值图像(内部)--标识  
8.     Mat localMax;  
9.     int neighbourhood;  
10.     int aperture;   // the size of the sobel kernel  
11.     double k;     
12.     //阀值  
13.     double thre;           //  阀值  
14.   
15. public:  
16.     HarrisDetector():neighbourhood(2),aperture(3), k(0.01),   
17.         thre(0.00001){  
18.         //setLocalMaxWindowSize(nonMaxSize);  
19.     }  
20.     void detect(Mat &image);    // 得到局部范围内的极大值点所对应的标识  
21.     Mat getCornerMap();              //得到局部极大值  
22.     void getCorners(vector<Point> &points);   //将局部极大值点push入vector中  
23.     void drawOnImage(Mat &image, vector<Point> &points);  
24. };  
25.   
26. void HarrisDetector::detect(Mat &image){   // 通过膨胀和比较得到局部极大值点所对应的标识。。  
27.     cornerHarris(image, cornerStrength, neighbourhood, aperture, k);  
28.     Mat dilated;  
29.     //膨胀运算替换每个像素值为相邻范围内的最大值，只有局部极大值的点才会保留原样  
30.     dilate(cornerStrength, dilated, Mat());     // 膨胀操作  
31.     compare(cornerStrength, dilated, localMax, CMP_EQ);    // 对应点是否相等进行比较 是则为255，否则为0  
32. }  
33.   
34. Mat HarrisDetector::getCornerMap()         // 二值化后通过与操作得到抑制后得极大值 ===角点  
35. {  
36.     Mat cornerMap;  
37.     // 对角点图像进行阀值化  
38.     threshold(cornerStrength, cornerTh, thre, 255, THRESH_BINARY);  
39.     // 转换为8位图像。。  
40.     cornerTh.convertTo(cornerMap, CV_8U);  
41.     // 非极大值抑制  
42.     bitwise_and(cornerMap, localMax, cornerMap);  
43.     return cornerMap;  
44. }  
45. void HarrisDetector::getCorners(vector<Point> &points)   // 将极大值点所对应的points放入  
46. {  
47.     Mat cornerMap = getCornerMap();  
48.     for(int y = 0; y < cornerMap.rows; y++)  
49.     {  
50.         uchar *cornerPtr = cornerMap.ptr<uchar>(y);      // 遍历所有的特征点  
51.         for(int x = 0; x < cornerMap.cols; x++)  
52.         {  
53.             if(cornerPtr[x]){  
54.                 points.push_back(Point(x, y));  
55.             }  
56.         }  
57.     }  
58. }  
59.   
60. void HarrisDetector::drawOnImage(Mat &image, vector<Point> &points)  
61. {  
62.     int radius = 3, thickness = 2;  
63.     vector<Point>::iterator it = points.begin();  
64.     // 对于所有角点  
65.     while(it!= points.end())  
66.     {  
67.         // 绘制一个圆  
68.         circle(image, *it, radius, Scalar(255,255,255), thickness);  
69.         it ++;  
70.     }  
71. }  

main.cpp：

[cpp]  view plain  copy

 print ?

1. Mat image = imread("F:\\huangrong.jpg", 0);  
2.     vector<Point> points;  
3.     HarrisDetector hdetector;  
4.     hdetector.detect(image);           通过膨胀和比较得到局部极大值点所对应的标识。。  
5.     hdetector.getCorners(points);        // 得到极大值并将极大值点所对应的points放入  
6.     cout << points.size()<< endl;  
7.     hdetector.drawOnImage(image, points);<span style="font-family: Arial, Helvetica, sans-serif; background-color: rgb(255, 255, 255);">    </span>  

Result：

三：适合跟踪的优质特征

Opencv2自带了goodFeaturesToTrack这个函数，用于解决特征点聚类问题，除了引入局部极大值的条件，特征点倾向于在图像中不均匀分布，集中在在纹理丰富的部分。该函数的具体解释见代码注释。

Code：

[cpp]  view plain  copy

 print ?

1. /*1:将cornerHarris函数得到的得分进行降序排列，依次取为角点，数量不超过100个，两个角点之间的距离要大于10。。 
2.     效果:解决了特征点聚类问题，此外特征点倾向于在图像中均匀分布。 
3.     */  
4.     goodFeaturesToTrack(image, points, 100, 0.01, 10);  // 0.01 为质量等级  
5.     cout << points.size() << endl;  

此外cv:: goodFeaturesToTrack函数拥有一个封装类cv::GoodFeaturesToTrackDetector,他继承自抽象类FeatureDetector类。下面代码实现功能和上面一样。

Code：

[cpp]  view plain  copy

 print ?

1. /*2：与1的效果是一样的，只是goodFeaturesToTrack函数拥有一个封装类GoodsFeaturesToTrackDetector，*/  
2.     Mat result;  
3.     vector<KeyPoint> keypoints;   // 特征点向量  
4.     GoodFeaturesToTrackDetector gftt(100, 0.01, 10);  // 检测器的构造函数  
5.     gftt.detect(image, keypoints);          // 检测  
6.     drawKeypoints(image, keypoints, result);  

作者：小村长  出处：http://blog.youkuaiyun.com/lu597203933  欢迎转载或分享，但请务必声明文章出处。 （新浪微博：小村长zack, 欢迎交流！）