OpenCV 角点检测(二) Harrise
2017-01-23 12:46
696 查看
Harrise算子是在Moravec算子的基础上改进得到的,Moravec角点检测算子见链接:http://blog.csdn.net/chaipp0607/article/details/54649235
Harrise算子特点
Harrise算子将比于Moravec具有更高的时间复杂度,对噪声同样比较敏感,且存在非均匀响应。前者应用更加广泛,且具有不错的检测率。
Harrise算子计算步骤
(1).利用水平与竖直差分算子对图像进行卷积操作,计算的到相应的fx和fy,根据实对称矩阵,计算对应矩阵元素的值。
(2).利用高斯函数对矩阵M进行平滑操作,得到引得矩阵M。
(3).对每一个像素和给定的邻域窗口,计算局部特征结果矩阵M的特征值和响应函数H。
(4).选取响应函数H的阈值,根据非极大值抑制原理,同时满足阈值及某邻域内的局部极大值为候选点。
Harrise算子实现
opencv为Harrise算子提供了cornerHarris函数。API函数接口如下:
它的源码路径为:…opencv\sources\modules\imgproc\src\thresh.cpp
源码如下:
参考opencv中的源码,自己定义一个角点检测的函数:
原图:
结果图:
Harrise算子特点
Harrise算子将比于Moravec具有更高的时间复杂度,对噪声同样比较敏感,且存在非均匀响应。前者应用更加广泛,且具有不错的检测率。
Harrise算子计算步骤
(1).利用水平与竖直差分算子对图像进行卷积操作,计算的到相应的fx和fy,根据实对称矩阵,计算对应矩阵元素的值。
(2).利用高斯函数对矩阵M进行平滑操作,得到引得矩阵M。
(3).对每一个像素和给定的邻域窗口,计算局部特征结果矩阵M的特征值和响应函数H。
(4).选取响应函数H的阈值,根据非极大值抑制原理,同时满足阈值及某邻域内的局部极大值为候选点。
Harrise算子实现
opencv为Harrise算子提供了cornerHarris函数。API函数接口如下:
CV_EXPORTS_W void cornerHarris( InputArray src, OutputArray dst, int blockSize, int ksize, double k, int borderType=BORDER_DEFAULT );
它的源码路径为:…opencv\sources\modules\imgproc\src\thresh.cpp
源码如下:
void cv::cornerHarris( InputArray _src,OutputArray _dst, int blockSize, int ksize, double k, int borderType ) { Mat src = _src.getMat(); _dst.create( src.size(), CV_32F ); Mat dst = _dst.getMat(); cornerEigenValsVecs( src, dst, blockSize, ksize, HARRIS, k, borderType); } //cornerEigenValsVecs函数源码 static void cornerEigenValsVecs( const Mat& src,Mat& eigenv, int block_size, int aperture_size, intop_type, double k=0., intborderType=BORDER_DEFAULT ) { #ifdef HAVE_TEGRA_OPTIMIZATION if (tegra::cornerEigenValsVecs(src, eigenv, block_size, aperture_size,op_type, k, borderType)) return; #endif int depth = src.depth(); double scale = (double)(1 << ((aperture_size > 0 ?aperture_size : 3) - 1)) * block_size; if( aperture_size < 0 ) scale *= 2.; if( depth == CV_8U ) scale *= 255.; scale = 1./scale; CV_Assert( src.type() == CV_8UC1 || src.type() == CV_32FC1 ); Mat Dx, Dy; if( aperture_size > 0 ) { Sobel( src, Dx, CV_32F, 1, 0, aperture_size, scale, 0, borderType ); Sobel( src, Dy, CV_32F, 0, 1, aperture_size, scale, 0, borderType ); } else { Scharr( src, Dx, CV_32F, 1, 0, scale, 0, borderType ); Scharr( src, Dy, CV_32F, 0, 1, scale, 0, borderType ); } Size size = src.size(); Mat cov( size, CV_32FC3 ); int i, j; for( i = 0; i < size.height; i++ ) { float* cov_data = (float*)(cov.data + i*cov.step); const float* dxdata = (const float*)(Dx.data + i*Dx.step); const float* dydata = (const float*)(Dy.data + i*Dy.step); for( j = 0; j < size.width; j++ ) { float dx = dxdata[j]; float dy = dydata[j]; cov_data[j*3] = dx*dx; cov_data[j*3+1] = dx*dy; cov_data[j*3+2] = dy*dy; } } boxFilter(cov, cov, cov.depth(), Size(block_size, block_size), Point(-1,-1), false, borderType ); if( op_type == MINEIGENVAL ) calcMinEigenVal( cov, eigenv ); else if( op_type == HARRIS ) calcHarris( cov, eigenv, k ); else if( op_type == EIGENVALSVECS ) calcEigenValsVecs( cov, eigenv ); } }
参考opencv中的源码,自己定义一个角点检测的函数:
#include "opencv2/highgui/highgui.hpp" #include "opencv2/imgproc/imgproc.hpp" #include <iostream> #include <stdio.h> #include <stdlib.h> using namespace cv; using namespace std; void CornerHarris(const Mat& srcImage, Mat& result, int blockSize, int kSize, double k) { Mat src; srcImage.copyTo(src); result.create(src.size(), CV_32F); int depth = src.depth(); // 检测掩膜尺寸 double scale = (double)(1 << ((kSize > 0 ? kSize : 3) - 1)) * blockSize; if (depth == CV_8U) scale *= 255.; scale = 1. / scale; // sobel滤波 Mat dx, dy; Sobel(src, dx, CV_32F, 1, 0, kSize, scale, 0); Sobel(src, dy, CV_32F, 0, 1, kSize, scale, 0); Size size = src.size(); cv::Mat cov(size, CV_32FC3); int i, j; // 求解水平与竖直梯度 for (i = 0; i < size.height; i++){ float *covData = (float*)(cov.data + i*cov.step); const float *dxData = (const float*)(dx.data + i*dx.step); const float *dyData = (const float*)(dy.data + i*dy.step); for (j = 0; j < size.width; j++) { float dx_ = dxData[j]; float dy_ = dyData[j]; covData[3 * j] = dx_*dx_; covData[3 * j + 1] = dx_*dy_; covData[3 * j + 2] = dy_*dy_; } } // 计算窗口内求和 boxFilter(cov, cov, cov.depth(), Size(blockSize, blockSize), Point(-1, -1), false); // 判断图像连续性 if (cov.isContinuous() && result.isContinuous()) { size.width *= size.height; size.height = 1; } else size = result.size(); // 计算响应函数 for (i = 0; i < size.height; i++) { // 获取图像矩阵指针 float *resultData = (float*)(result.data + i*result.step); const float *covData = (const float*)(cov.data + i*cov.step); for (j = 0; j < size.width; j++) { // 焦点响应生成 float a = covData[3 * j]; float b = covData[3 * j + 1]; float c = covData[3 * j + 2]; resultData[j] = a*c - b*b - k*(a + c)*(a + c); } } } int main() { cv::Mat srcImage = cv::imread("1.jpg"); if (!srcImage.data) return -1; cv::imshow("srcImage", srcImage); cv::Mat srcGray, result; cvtColor(srcImage, srcGray, CV_BGR2GRAY); result = Mat::zeros(srcImage.size(), CV_32FC1); // 角点检测参数 int blockSize = 2; int apertureSize = 3; double k = 0.04; // 角点检测 // cornerHarris( srcGray, result, blockSize, apertureSize, k, BORDER_DEFAULT ); CornerHarris(srcGray, result, blockSize, apertureSize, k); // 矩阵归一化 normalize(result, result, 0, 255, NORM_MINMAX, CV_32FC1, Mat()); convertScaleAbs(result, result); // 绘图角点检测结果 for (int j = 0; j < result.rows; j++) { for (int i = 0; i < result.cols; i++) { if ((int)(result.at<uchar>(j, i)) > 150) { circle(srcImage, Point(i, j), 5, Scalar(0), 2, 8, 0); } } } cv::imshow("result", srcImage); cv::waitKey(0); return 0; }
原图:
结果图:
相关文章推荐
- OpenCV环境下用算法moravec、harris、Shi-Tomasi进行角点检测
- opencv学习笔记之5.4使用形态学滤波进行边缘和角点检测
- OpenCV角点检测
- openCV——角点检测
- 【OpenCV学习笔记】三十五、角点检测简介
- opencv学习_13 (trajkovic 角点检测)
- opencv——trajkovic 角点检测
- OpenCV学习之旅8——角点检测(2)
- opencv2使用形态学滤波对图像进行边缘及角点检测
- opencv特征检测之角点检测
- 【学习opencv第四篇】角点检测
- OpenCV使用Harris算法实现角点检测
- 【OpenCV学习】角点检测
- OpenCV 角点检测(一) Moravec
- 【opencv学习之四十】角点检测
- OpenCV_Corner Detect with Harris and goodFeaturesToTrack( 基于Harris及适合跟踪的优质特征的角点检测)
- opencv学习_13 (trajkovic 角点检测)
- OPENCV(6) —— 角点检测
- opencv图像角点检测
- opencv-shi-tomasi 角点检测