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：

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