精华内容
下载资源
问答
  • 2020-10-22 19:57:50

    本次范例讲的都是检测角点的算法,在这里我们会讲到,harris角点检测,Shi-Tomasi角点检测,FAST角点检测,尺度不变surf检测,尺度不变sift检测,特征点的描述。由于是算法问题,相对来说会比较复杂,而且都是一些比较经典的算法,如果只是纯粹的想要用算法来实现一些功能,那么只要调用OpenCV几个简单的函数就可以了,但是如果想学习一下理论知识,为以后自己的研究有所帮助,而且想理解函数的参数如何改变,那么还是得硬着头皮去看看原理吧,本人也是看了挺久的算法原理,但是还是没有完全理解透,所以在这里只是贴出我看过的比较有用的博客,还有一些自己编译的代码和实现结果,记录一下这个过程,方便以后可以进一步的研究。

    1、原理

    Harris:Opencv学习笔记(五)Harris角点检测 

    Shi-Tomasi:【OpenCV】角点检测:Harris角点及Shi-Tomasi角点检测

    FAST:OpenCV学习笔记(四十六)——FAST特征点检测features2D

    SIFT:【OpenCV】SIFT原理与源码分析

                 特征点检测学习_1(sift算法)

    SURF:  特征点检测学习_2(surf算法)

    2、代码实现

    由于代码量较大,所以只是贴出代码的一部分,如果想要整体代码,可以从下面的链接中找到

    http://download.csdn.net/detail/chenjiazhou12/7129327

    ①、harris角点检测

     
    1. //计算角点响应函数以及非最大值抑制

    2. void detect(const Mat &image){

    3. //opencv自带的角点响应函数计算函数

    4. cornerHarris (image,cornerStrength,neighbourhood,aperture,k);

    5. double minStrength;

    6. //计算最大最小响应值

    7. minMaxLoc (cornerStrength,&minStrength,&maxStrength);

    8.  
    9. Mat dilated;

    10. //默认3*3核膨胀,膨胀之后,除了局部最大值点和原来相同,其它非局部最大值点被

    11. //3*3邻域内的最大值点取代

    12. dilate (cornerStrength,dilated,cv::Mat());

    13. //与原图相比,只剩下和原图值相同的点,这些点都是局部最大值点,保存到localMax

    14. compare(cornerStrength,dilated,localMax,cv::CMP_EQ);

    15. }


    cornerHarris

    功能:Harris角点检测

    结构:

     void cornerHarris(InputArray src, OutputArray dst, int blockSize, int apertureSize, double k, int borderType=BORDER_DEFAULT )


    src :8位或者32位浮点数单通道图像
    dst:保存Harris检测结果的图像,32位单通道,和src有同样的size 
    blockSize :邻域大小,相邻像素的尺寸(见关于 cornerEigenValsAndVecs() 的讨论)
    apertureSize :滤波器的孔径大小
    k :harris 检测器的自由参数
    boderType :插值类型

     

    compare

    功能:两个数组之间或者一个数组和一个常数之间的比较

    结构:

    void compare(InputArray src1, InputArray src2, OutputArray dst, int cmpop)


    src1 :第一个数组或者标量,如果是数组,必须是单通道数组。
    src2 :第二个数组或者标量,如果是数组,必须是单通道数组。
    dst :输出数组,和输入数组有同样的size和type=CV_8UC1
    cmpop :

    标志指明了元素之间的对比关系
    CMP_EQ src1 相等 src2.

    CMP_GT src1 大于 src2.
    CMP_GE src1 大于或等于 src2.
    CMP_LT src1 小于 src2.
    CMP_LE src1 小于或等于 src2.
    CMP_NE src1 不等于 src2.

    如果对比结果为true,那么输出数组对应元素的值为255,否则为0

     
    1. //获取角点图

    2. Mat getCornerMap(double qualityLevel) {

    3. Mat cornerMap;

    4. // 根据角点响应最大值计算阈值

    5. thresholdvalue= qualityLevel*maxStrength;

    6. threshold(cornerStrength,cornerTh,

    7. thresholdvalue,255,cv::THRESH_BINARY);

    8. // 转为8-bit图

    9. cornerTh.convertTo(cornerMap,CV_8U);

    10. // 和局部最大值图与,剩下角点局部最大值图,即:完成非最大值抑制

    11. bitwise_and(cornerMap,localMax,cornerMap);

    12. return cornerMap;

    13. }


    bitwise_and

    功能:计算两个数组或数组和常量之间与的关系

    结构:

    void bitwise_and(InputArray src1, InputArray src2, OutputArray dst, InputArray mask=noArray())


    src1 :第一个输入的数组或常量
    src2 :第二个输入的数组或常量
    dst :输出数组,和输入数组有同样的size和type
    mask :可选择的操作掩码,为8位单通道数组,指定了输出数组哪些元素可以被改变,哪些不可以

    操作过程为:

    \texttt{dst} (I) =  \texttt{src1} (I)  \wedge \texttt{src2} (I) \quad \texttt{if mask} (I) \ne0

    \texttt{dst} (I) =  \texttt{src1} (I)  \wedge \texttt{src2} \quad \texttt{if mask} (I) \ne0

    \texttt{dst} (I) =  \texttt{src1}  \wedge \texttt{src2} (I) \quad \texttt{if mask} (I) \ne0

    如果为多通道数组,每个通道单独处理

     

    ②、Shi-Tomasi检测

     
    1. void goodFeaturesDetect()

    2. {

    3. // 改进的harris角点检测方法

    4. vector<Point> corners;

    5. goodFeaturesToTrack(image,corners,

    6. 200,

    7. //角点最大数目

    8. 0.01,

    9. // 质量等级,这里是0.01*max(min(e1,e2)),e1,e2是harris矩阵的特征值

    10. 10);

    11. // 两个角点之间的距离容忍度

    12. harris().drawOnImage(image,corners);//标记角点

    13. imshow (winname,image);

    14.  
    15. }


    goodFeaturesToTrack

    功能:确定图像的强角点

    结构:

    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 )


    image :输入8位或32为单通道图像
    corners :输出检测到的角点
    maxCorners :返回的角点的最大值,如果设置的值比检测到的值大,那就全部返回
    qualityLevel :最大最小特征值的乘法因子。定义可接受图像角点的最小质量因子
    minDistance :限制因子,两个角点之间的最小距离,使用 Euclidian 距离
    mask :ROI:感兴趣区域。函数在ROI中计算角点,如果 mask 为 NULL,则选择整个图像。 必须为单通道的灰度图,大小与输入图像相同。mask对应的点不为0,表示计算该点。
    blockSize :邻域大小,相邻像素的尺寸(见关于 cornerEigenValsAndVecs() 的讨论)
    useHarrisDetector :是否使用Harris检测器 (见关于 cornerHarris() 或 cornerMinEigenVal()的讨论).
    k :Harris检测器的自由参数

    1、该函数在原图像的每一个像素点使用cornerMinEigenVal()或者cornerHarris()来计算角点
    2、对检测到的角点进行非极大值抑制(在3*3的领域内极大值被保留)
    3、对检测到的角点进行阈值处理,小于阈值,则被删除
    4、对最终得到的角点进行降序排序
    5、删除离强角点距离比minDistance近的角点

     

    ③、FAST检测

     
    1. void fastDetect()

    2. {

    3. //快速角点检测

    4. vector<KeyPoint> keypoints;

    5. FastFeatureDetector fast(40,true);

    6. fast.detect (image,keypoints);

    7. drawKeypoints (image,keypoints,image,Scalar::all(255),DrawMatchesFlags::DRAW_OVER_OUTIMG);

    8. imshow (winname,image);

    9. }

     

    FastFeatureDetector 类

    这个类是FeatureDetector类继承过来的

    构造函数

    FastFeatureDetector( int threshold=1, bool nonmaxSuppression=true );


    threshold:检测阈值

    nonmaxSuppression:非极大值抑制

     

    void FeatureDetector::detect(const Mat& image, vector<KeyPoint>& keypoints, const Mat& mask=Mat() ) const
    void FeatureDetector::detect(const vector<Mat>& images, vector<vector<KeyPoint>>& keypoints, const vector<Mat>& masks=vector<Mat>() ) const


    image :输入图片
    images :输入图片组
    keypoints :第一个为检测到的keypoints,第二个为检测到的keypoints组
    mask :可选的操作掩码,指定哪些keypoints,必须是8位二值化有非零元素的感兴趣区域
    masks :多个操作掩码,masks[i]对应images[i]

    drawKeypoints

    功能:绘制特征关键点.

    结构:

     void drawKeypoints(const Mat& image, const vector<KeyPoint>& keypoints, Mat& outImg, const Scalar& color=Scalar::all(-1), int flags=DrawMatchesFlags::DEFAULT )


    image :原图片
    keypoints :得到的keypoints
    outImg :输出图片,它的内容依赖于flags的值
    color :keypoints的颜色
    flags :标志画在输出图像的特征,flags是由DrawMatchesFlags定义的

     
    1. struct DrawMatchesFlags

    2. {

    3. enum

    4. {

    5. DEFAULT = 0, // 会创建一个输出矩阵,两张源文件,匹配结果,

    6. // 和keypoints将会被绘制在输出图像中

    7. // 对于每一个keypoints点,只有中心被绘制,

    8. // 不绘制半径和方向

    9. DRAW_OVER_OUTIMG = 1, // 不创建输出图像,匹配结构绘制在已经存在的输出图像中

    10. NOT_DRAW_SINGLE_POINTS = 2, // 单独的keypoints点不被绘制

    11. DRAW_RICH_KEYPOINTS = 4 // 对于每一个keypoints点,半径和方向都被绘制

    12. };

    13. };

     

    ④、SIFT检测

     
    1. void siftDetect()

    2. {

    3. vector<KeyPoint> keypoints;

    4. SiftFeatureDetector sift(0.03,10);

    5. sift.detect(image,keypoints);

    6. drawKeypoints(image,keypoints,image,Scalar(255,255,255),DrawMatchesFlags::DRAW_RICH_KEYPOINTS);

    7. imshow (winname,image);

    8. }


    SiftFeatureDetector

    结构:

     
    1. SiftFeatureDetector( double threshold, double edgeThreshold,

    2. int nOctaves=SIFT::CommonParams::DEFAULT_NOCTAVES,

    3. int nOctaveLayers=SIFT::CommonParams::DEFAULT_NOCTAVE_LAYERS,

    4. int firstOctave=SIFT::CommonParams::DEFAULT_FIRST_OCTAVE,

    5. int angleMode=SIFT::CommonParams::FIRST_ANGLE );


    threshold:过滤掉较差的特征点的对阈值。threshold越大,返回的特征点越少。

    edgeThreshold:过滤掉边缘效应的阈值。edgeThreshold越大,特征点越多

     

    ⑤、SURF检测

     
    1. void surfDetect()

    2. {

    3. vector<KeyPoint> keypoints_1, keypoints_2;

    4. Mat descriptors_1, descriptors_2;

    5. //-- Step 1: Detect the keypoints using SURF Detector

    6. SurfFeatureDetector surf(2500);

    7. surf.detect(image,keypoints_1);

    8. surf.detect(image2,keypoints_2);

    9. //-- Step 2: Calculate descriptors (feature vectors)

    10. SurfDescriptorExtractor extractor;

    11. extractor.compute( image, keypoints_1, descriptors_1 );

    12. extractor.compute( image2, keypoints_2, descriptors_2 );

    13. //-- Step 3: Matching descriptor vectors with a brute force matcher

    14. BruteForceMatcher< L2<float> > matcher;

    15. std::vector< DMatch > matches;

    16. matcher.match( descriptors_1, descriptors_2, matches );

    17. nth_element(matches.begin(),matches.begin()+24,matches.end());

    18. matches.erase(matches.begin()+25,matches.end());

    19. //-- Draw matches

    20. Mat img_matches;

    21. drawMatches( image, keypoints_1, image2, keypoints_2, matches, img_matches,Scalar(255,255,255) );

    22. drawKeypoints(image,keypoints_1,image,Scalar(255,255,255),DrawMatchesFlags::DRAW_RICH_KEYPOINTS);

    23. //-- Show detected matches

    24. imshow("Matches", img_matches );

    25. imshow (winname,image);

    26. }


    SurfFeatureDetector

    构造函数

     
    1. SurfFeatureDetector( double hessianThreshold = 400., int octaves = 3,

    2. int octaveLayers = 4 );


    hessianThreshold:阈值

    octaves:金字塔组数

    octaveLayers:金字塔中每组的层数

     

    SurfDescriptorExtractor

    功能:来封装的用于计算特征描述子的类,构造SURE描述子提取器

     

    compute

    功能:根据检测到的图像(第一种情况)或者图像集合(第二种情况)中的关键点(检测子)计算描述子.

     
    1. void DescriptorExtractor::compute(const Mat& image, vector<KeyPoint>& keypoints, Mat& descriptors) const

    2. void DescriptorExtractor::compute(const vector<Mat>& images, vector<vector<KeyPoint>>& keypoints, vector<Mat>& descriptors) const


    image :输入图像.
    images :输入图像集.
    keypoints:输入的特征关键点. 

    descriptors:计算特征描述子

     

    BruteForceMatcher< L2<float> >

    功能:暴力搜索特征点匹配. 对于第一集合中的特征描述子, 这个匹配寻找了在第二个集合中最近的特征描述子. 这种特征描述子匹配支持 masking permissible特征描述子集合匹配.

    它是一个模板类,<>中的参数表示匹配的方式

     

    DMatch

    功能:用于匹配特征关键点的特征描述子的类:查询特征描述子索引, 特征描述子索引, 训练图像索引, 以及不同特征描述子之间的距离.

     

    match

    功能:给定查询集合中的每个特征描述子,寻找最佳匹配.

    结构:

     
    1. void DescriptorMatcher::match(const Mat& queryDescriptors, const Mat& trainDescriptors, vector<DMatch>& matches, const Mat& mask=Mat() ) const

    2. void DescriptorMatcher::match(const Mat& queryDescriptors, vector<DMatch>& matches, const vector<Mat>& masks=vector<Mat>() )


    queryDescriptors :特征描述子查询集.
    trainDescriptors :待训练的特征描述子集.
    matches :匹配特征描述子类
    mask – 特定的在输入查询和训练特征描述子集之间的可允许掩码匹配,指定哪些可以被匹配
    masks – masks集. 每个 masks[i] 特定标记出了在输入查询特征描述子和存储的从第i个图像中提取的特征描述子集

    第二个方法的trainDesctiptors由DescriptorMatcher::add给出。

     

    nth_element
    功能:nth_element作用为求第n小的元素,并把它放在第n位置上,下标是从0开始计数的,也就是说求第0小的元素就是最小的数。

     

    erase

    功能:移除参数1和参数2之间的元素,返回下一个元素

     

    drawMatches

    功能:给定两幅图像,绘制寻找到的特征关键点及其匹配

    结构:

    void drawMatches(const Mat& img1, const vector<KeyPoint>& keypoints1, const Mat& img2, const vector<KeyPoint>& keypoints2, const vector<DMatch>& matches1to2, Mat& outImg, const Scalar& matchColor=Scalar::all(-1), const Scalar& singlePointColor=Scalar::all(-1), const vector<char>& matchesMask=vector<char>(), int flags=DrawMatchesFlags::DEFAULT )


    img1 :第一张原图片
    keypoints1 :第一张得到的关键点
    img2 :第二张图片
    keypoints2 :第二张得到的关键点
    matches :匹配点
    outImg :输出图片,它的内容依赖于flags的值
    matchColor :匹配线的颜色,如果为-1,则颜色随机分配
    singlePointColor :单独点,没有匹配到的点的颜色,如果为-1,则颜色随机分配
    matchesMask :掩码,表示哪些匹配值被绘制出来,如果为空,表示所有匹配点都绘制出来
    flags :和上面drawkeypoints中的flags一样

    3、运行结果

      

                        图1、Harris                                       图2、Shi-Tomasi

      

                     图3、FAST                                                 图4、SIFT

                    图5、SURF

                                          图6、匹配结果

    源代码下载地址:

    http://download.csdn.net/detail/chenjiazhou12/7129327

    更多相关内容
  • 本次上传为ACSS算法角点检测,MATLAB代码,带有界面,利于大伙学习
  • 一般实验发现,Matlab的棋盘格角点检测算法相比Opencv的棋盘格角点检测算法更加鲁棒且精确。《Automatic Camera and Range Sensor Calibration using a single Shot》一文正是Matlab角点检测的参考算法,这里是...
  • 图像FAST角点检测算法的FPGA实现与系统集成.pdf
  • 针对Harris算法在图像处理过程中特征提取实时性和抗噪能力较差、计算量大的问题,提出一种结合像素灰度差的Harris角点检测算法。将被检测与半径为3的邻近圆周上16个像素作对比,以此计算非相似像素的个数来...
  • 使用OPENCV+VS2013实现Harris角点检测,可以准确检测出图像中的Harris角点
  • 提出了一种改进的角点检测算法。本着好的算法不依赖于人为干涉的思想,在 SUSAN算子基础上,通 过对图像灰度值和对比度分析,提出灰度阈值 t和比较函数 C的快速自适应选取。针对 SUSAN算法中对某些 特殊型角点检测会...
  • 因此,该项目旨在对主要的角点检测算法进行比较,以验证它们对立体图像对之间匹配产生的影响。 使用材料 或更高版本,x64版本。 数据库上可用的一组立体图像,用于测试。 附加信息 由于该项目处于“进行中”状态,...
  • 角点检测算法运用图像像素间的相似性筛选出待检测图像中有可能成为角点的像素,对每个像素以该的高斯曲率作为角点响应函数和海赛二阶基本矩的迹作为角点尺度的判断依据,作类似Hessian-Laplace多尺度角点...
  • 为了准确地在三维网格模型上定位特征角点,提出了一种基于变形分析的三维Susan角点检测算法。算法首先利用邻接区域信息定义顶点的变形函数,由变形函数值得到候选角点集合;对于候选角点,设定比较区域,在区域内用...
  • 为了解决现有角点检测算法普遍存在计算时间长、效率不高、不适于实时在线检测的问题,提出了一种基于模糊ID3决策树的快速角点检测算法。利用半径为3像素的 Bresenham圆环作为检测模板,在被检测图像上移动,圆环中心...
  • 针对MIC角点检测算法具有角点定位不够精确、误检、漏检等缺点,提出一种改进的MIC角点检测算法.为了克服MIC角点检测算法角点定位不准确的缺点,该检测算法利用最小二乘技术对角点局部方向线进行拟合,实现角点的亚像素...
  • 快速角点检测算法

    2017-09-19 15:42:58
    快速角点检测算法,真实测试通过,效果不错。
  • 角点是图像的重要特征。对经典的Harris算法进行了理论分析和...结果表明,对Harris角点检测算法中的参数进行改进后,能够更加突出角点背景的对比度,在一定层度上降低了阈值选取的复杂度。结果由于经典Harris 算法。
  • 本科毕业论文中的角点检测 包含moravec、harris、Nobel、Shi-tomasi角点检测算法 包含拟合亚像素角点、向量点乘亚像素角点算法 此外还有矩阵的通常运算加减乘除、求逆等 程序采用opencv+Qt5 GUI
  • 提出一种基于Sobel边缘检测的圆周Harris角点检测算法:首先采用Sobel边缘检测进行角点预筛选,本质上提高检测效率;随后采用圆周窗口模板对筛选后的角点进行非极大值抑制,减少漏检与伪角点的个数;最后采用临近剔除...
  • FAST角点检测算法MATLAB程序

    热门讨论 2013-09-02 17:18:03
    FAST是一种经典的特征快速检测算法,在网上逛了很久才找到这个matlab程序。分享给大家。
  • 为了更好地进行角点检测, 提出一种基于角度累加的鲁棒角点检测算法. 首先定义反映边缘特征的角度.累加概念, 并在“单弦”下计算边缘的角度累加值来获取候选角, 避免邻近角点的丢失; 然后构造局部自适应阈.值来...
  • Harris角点检测算法

    2018-04-08 21:10:36
    改进的Harris角点检测技术,可以检测出图片中的角点,matlab
  • 精确标定能够发挥出聚焦型光场相机在场景重建和非接触测量等方面的作用。而标定精度提升的关键之...实验结果表明,所提角点检测算法的精度高于现有算法,并证明了基于所提角点检测方法的标定算法能够得到更加精准的结果。
  • 针对Harris角点检测算法在应用中实时性较差和运算量较大, 同时抗噪能力较差等问题, 提出一种基于Harris算法的改进算法, 利用图像局部加权熵与最小亮度变化(MIC)算法相结合的方法进行角点检测。首先, 运用图像局部...
  • 将MATLAB自带的棋盘格角点函数转到vs2015以c++实现 MATLAB原函数:[imagePoints,boardSize] = detectCheckerboardPoints('I.png');
  • 基于matlab的改进的harris角点检测算法,与harris算法可以对比。
  • 角点检测算法综述.docx角点检测算法综述.docx角点检测算法综述.docx角点检测算法综述.docx角点检测算法综述.docx角点检测算法综述.docx角点检测算法综述.docx角点检测算法综述.docx
  • 角点检测算法综述.pdf

    2022-06-18 07:04:12
    角点检测算法综述.pdf角点检测算法综述.pdf角点检测算法综述.pdf角点检测算法综述.pdf角点检测算法综述.pdf角点检测算法综述.pdf角点检测算法综述.pdf角点检测算法综述.pdf
  • arris角点检测算法是一种经典算法,但对于大尺度图像,误检现象比较严重,并且耗时过长.本文提出一种新的检测算法,通过对圆形区域进行非极大值抑制,能够明显地降低角点检测时间,并且能够有效地减少误检.同时,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 72,600
精华内容 29,040
关键字:

角点检测算法