OpenCV 之 角点检测 | 您所在的位置:网站首页 › opencv 直角检测 › OpenCV 之 角点检测 |
角点 (corners) 的定义有两个版本:两条边缘的交点,或者,邻域内具有两个主方向的特征点 从人眼来看,角点是图像亮度发生剧烈变化的点 或 边缘曲线上曲率为极大值的点。例如,下图 E 和 F 便是典型的角点 1 检测思路 在图像中定义一个局部小窗口,然后沿各个方向移动这个窗口,则会出现 a) b) c) 三种情况,分别对应平坦区、边缘和角点 a) 窗口内的图像强度,在窗口向各个方向移动时,都没有发生变化,则窗口内都是 “平坦区”,不存在角点 b) 窗口内的图像强度,在窗口向某一个 (些) 方向移动时,发生较大变化;而在另一些方向不发生变化,那么,窗口内可能存在 “边缘” c) 窗口内的图像强度,在窗口向各个方向移动时,都发生了较大的变化,则认为窗口内存在 “角点”
a) flat region b) edge c) corner 2 Harris 角点 2.1 泰勒展开图像在点 $(x,y) $ 处的灰度值为 $I(x, y)$,当在 $x$ 方向上平移 $\Delta u$,且 $y$ 方向上平移 $\Delta v$ 时,图像灰度值的变化为
$I(x,y)$ 的偏导数分别记为 $I_x$ 和 $I_y$,则上式用一阶泰勒级数近似展开
写成矩阵形式
则有 , 假定 2.2 判别方法定义角点响应值 $R = det(M) - k(trace(M))^{2} = \lambda_{1} \lambda_{2} - k (\lambda_{1}+\lambda_{2})^2 $,根据响应值的大小,判断小窗口内是否包含角点: 1) “平坦区”:|R| 小的区域,即 $\lambda_1$ 和 $\lambda_2$ 都小; 2) “边缘”: R > \lambda_2$ 或反之; 3) “角点”: R 大的区域,即 $\lambda_1$ 和 $\lambda_2$ 都大且近似相等 为了便于直观理解,绘制成 $\lambda_1-\lambda_2$ 平面如下图: 2.3 cornerHarris() OpenCV 中 Harris 角点检测的函数为: void cornerHarris ( InputArray src, // 输入图像 (单通道,8位或浮点型) OutputArray dst, // 输出图像 (类型 CV_32FC1,大小同 src) int blockSize, // 邻域大小 int ksize, // Sobel 算子的孔径大小 double k, // 经验参数,取值范围 0.04 ~ 0.06 int borderType = BORDER_DEFAULT // 边界模式 ) 2.4 代码示例 #include "opencv2/highgui.hpp" #include "opencv2/imgproc.hpp" using namespace cv; // Harris corner parameters int kThresh = 150; int kBlockSize = 2; int kApertureSize = 3; double k = 0.04; int main() { // read image Mat src, src_gray; src = imread("building.jpg"); if(src.empty()) return -1; cvtColor(src, src_gray, COLOR_BGR2GRAY); Mat dst, dst_norm, dst_norm_scaled; // Harris corner detect cornerHarris(src_gray, dst, kBlockSize, kApertureSize, k); normalize(dst, dst_norm, 0, 255, NORM_MINMAX, CV_32FC1); convertScaleAbs(dst_norm, dst_norm_scaled); // draw detected corners for(int j=0; j < dst_norm.rows; j++) { for(int i=0; i kThresh) { circle(src, Point(i, j), 2, Scalar(0,255,0)); } } } imshow("harris corner", src); waitKey(0); }检测结果: 3 Shi-Tomasi 角点 Shi-Tomasi 角点是 Harris 角点的改进,在多数情况下,其检测效果要优于 Harris。二者的区别在于,Shi-Tomasi 选取 $\lambda_1$ 和 $\lambda_2$ 中的最小值,作为新的角点响应值 $R$
则相应的 $\lambda_1-\lambda_2$ 平面为: 3.1 goodFeaturesToTrack() OpenCV 中 Shi-Tomasi 角点检测函数为: void goodFeaturesToTrack ( InputArray image, // 输入图像 (单通道,8位或浮点型32位) OutputArray corners, // 检测到的角点 int maxCorners, // 最多允许返回的角点数量 double qualityLevel, // double minDistance, // 角点间的最小欧拉距离 InputArray mask = noArray(), // int blockSize = 3, // bool useHarrisDetector = false, // double k = 0.04 // ) 3.2 代码示例 #include "opencv2/highgui.hpp" #include "opencv2/imgproc.hpp" using namespace cv; using namespace std; int kMaxCorners = 1000; double kQualityLevel = 0.1; double kMinDistance = 1; int main() { // read image Mat src, src_gray; src = imread("building.jpg"); if (src.empty()) return -1; cvtColor(src, src_gray, COLOR_BGR2GRAY); // Shi-Tomasi corner detect vector corners; goodFeaturesToTrack(src_gray, corners, kMaxCorners, kQualityLevel, kMinDistance); // draw and show detected corners for (size_t i = 0; i < corners.size(); i++) { circle(src, corners[i], 2.5, Scalar(0, 255, 0)); } imshow("Shi-Tomasi corner", src); waitKey(0); }检测结果: 4 角点检测的实现 分析 cornerHarris() 源码,复现计算步骤:Sobel 算子求解 dx 和 dy -> 矩阵 M -> boxFilter -> 每个像素的角点响应值 R,对应 C++ 代码实现如下: #include #include "opencv2/highgui.hpp" #include "opencv2/imgproc.hpp" using namespace cv; using namespace std; int kApertureSize = 3; int kBlockSize = 2; double k = 0.04; int kThresh = 150; int main() { // read image Mat src, src_gray; src = imread("chessboard.png"); if (src.empty()) return -1; cvtColor(src, src_gray, COLOR_BGR2GRAY); // determine scale double scale = (double)(1 150) { circle(src, Point(i, j), 2, Scalar(0, 255, 0)); } } } imshow("Harris corner", src); waitKey(0); }检测结果:将求得的角点响应值$R$,输出 txt 文件,与 cornerHarris() 输出的 $R$ 进行比较,结果几乎完全相同 (只有几处小数点后7位的值不同) 5 亚像素角点检测 5.1 cornerSubpix()亚像素角点提取的函数 cornerSubPix(),常用于相机标定中,定义如下: void cornerSubPix( InputArray image, // 输入图象(单通道,8位或浮点型) InputOutputArray corners, // 亚像素精度的角点坐标 Size winSize, // 搜索窗口尺寸的 1/2 Size zeroZone, // TermCriteria criteria // 迭代终止准则 ) 5.2 代码示例 #include #include "opencv2/highgui.hpp" #include "opencv2/imgproc.hpp" using namespace cv; using namespace std; int kMaxCorners = 40; double kQualityLevel = 0.01; double kMinDistance = 50; int main() { // read image Mat src, src_gray; src = imread("chessboard.png"); if (src.empty()) return -1; cvtColor(src, src_gray, COLOR_BGR2GRAY); // Shi-Tomasi corner detect vector corners; goodFeaturesToTrack(src_gray, corners, kMaxCorners, kQualityLevel, kMinDistance); // draw and show detected corners for (size_t i = 0; i < corners.size(); i++) { circle(src, corners[i], 3, Scalar(0, 255, 0)); } imshow("Shi-Tomasi corner", src); imwrite("subpix.png", src); TermCriteria criteria = TermCriteria(TermCriteria::EPS + TermCriteria::COUNT, 40, 0.001); // find corner positions in subpixel cornerSubPix(src_gray, corners, Size(5, 5), Size(-1, -1), criteria); for (size_t i = 0; i < corners.size(); i++) { cout |
CopyRight 2018-2019 实验室设备网 版权所有 |