共计 5595 个字符，预计需要花费 14 分钟才能阅读完成。
若该文为原创文章，未经允许不得转载
原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/106436768
各位读者，知识无穷而人力有穷，要么改需求，要么找专业人士，要么自己研究
红胖子 (红模仿) 的博文大全：开发技术集合（包含 Qt 实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬结合等等）持续更新中…（点击传送门）
OpenCV 开发专栏（点击传送门）
上一篇：《OpenCV 开发笔记（六十）：红胖子 8 分钟带你深入了解 Harris 角点检测（图文并茂 + 浅显易懂 + 程序源码）》
下一篇：持续补充中…
前言
红胖子，来也！
做识别，有时候遇到需求，比如识别一个三角形，并求得三角形三个顶点的角度，这种属于教育集合场景，还有其他类似场景，那么检测角点就显得很重要了。
Demo
图像特征三大类型
- 边缘：图像强度发生突变的区域，其实就是高强度梯度区域；
- 角点：两个边缘相交的地方，看起来像一个角；
- 斑点：按特征划分的区域，强度特别高、强度特别低或具备特定纹理的区域；
Shi-Tomasi 角点
概述
Shi-Tomasi 角点检测是改进了 Harris 算法，次算法最原始的定义是将矩阵 M 的行列式与 M 的迹想见，再将差值进行同预先给定的预制进行比较，后来再次改进，若两个特征值中较小的一个大于最小阈值，则会得到强角点。
原理
由于 Harris 算法的稳定性和 k 值有关，Shi-Tomasi 发现，角点的稳定性和矩阵 M 的较小特征值有关，改进的 Harris 算法即直接计算出矩阵 M 的特征值，用较小的特征值与阈值比较，大于阈值的即为强特征点。
Harris 角点概述
Harris 角点检测是一种基于灰度图像的角点提取算法，稳定性高，在 opencv 中 harris 角点检测的性能相对较低，因为其使用了高斯滤波。
基于灰度图像的角点检测又分为基于梯度、基于模板和基于模板梯度组合三类型的方法，而 Harris 算法就是基于灰度图像中的基于模板类型的算法。
Harris 角点原理
人眼对角点的识别通常是通过一个局部的小窗口内完成的：如果在各个方向上移动这个小窗口，窗口内的灰度发生了较大的变化，那么说明窗口内存在角点，具体分为以下三种情况：
- 如果在各个方向移动，灰度几乎不变，说明是平坦区域；
- 如果只沿着某一个方向移动，灰度几乎不变，说明是直线；
- 如果沿各个方向移动，灰度均发生变化，说明是角点。
基本的原理，如下图：
具体的计算公式如下：
泰勒展开：
代入得到：
其中:
二次项函数本质上就是一个椭圆函数，椭圆的扁平率和尺寸是由矩阵 M 的两个特征值决定的。
矩阵 M 的两个特征值与图像中的角点，边缘，平坦区域的关系。
Harris 定义角点响应函数即：
即 R =Det(M)-ktrace(M)trace(M)，k 为经验常数 0.04~0.06。
定义当 R >threshold 时且为局部极大值的点时，定义为角点。
Shi-Tomasi 检测角点函数原型
// 重载函数：九个参数
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);
// 重载函数：十个参数
void goodFeaturesToTrack( InputArray image,
OutputArray corners,
int maxCorners,
double qualityLevel,
double minDistance,
InputArray mask,
int blockSize,
int gradientSize,
bool useHarrisDetector = false,
double k = 0.04 );- 参数一：InputArray 类型的 image，输入图像，即源图像，填 Mat 类的对象 即可，且须为单通道 8 位或者浮点型 32 位单通道图像；
- 参数二：OutputArray 类型的 corners，检测到的角点的输出向量；
- 参数三：int 类型的 maxCorners，角点的最大数据量；
- 参数四：double 类型的 qualityLevel，角点检测可接受的最小特征值。其实实际用于过滤角点的最小特征是 qualityLevel 与图像中最大特征值的乘积。所以 qualityLevel 通常不会超过 1（常用的值为 0.10 或者 0.01）。检测完后所有的交点后，还要进一步提出掉一些距离较近的角点；
- 参数五：double 类型的 minDistance，角点之间的最细小距离，次参数用于保证返回的角点之间的距离不小于 minDistance；
- 参数六：InputArray 类型的 mask，可选参数，表示感情兴的区域，默认为 noArray()，若此参数非空则必须需为 CV_8UC1 类型，且和第一个参数 image 有相同的尺寸；
- 参数七：int 类型的 blockSize，有默认值 3，是计算导数自相关矩阵时指定的领域范围；
- 参数八：bool 类型的 useHarrisDetector，只是是否使用 Harris 角点检测，默认为 false，不使用；
- 参数九：double 类型的 k，为用于设置 Hessian 自相关矩阵韩烈士的相对权重的权重系数，默认值为 0.04；
Demo 源码
void OpenCVManager::testShiTomasi()
{
QString fileName1 =
"E:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/1.jpg";
int width = 400;
int height = 300;
cv::Mat srcMat = cv::imread(fileName1.toStdString());
cv::resize(srcMat, srcMat, cv::Size(width, height));
cv::String windowName = _windowTitle.toStdString();
cvui::init(windowName);
cv::Mat windowMat = cv::Mat(cv::Size(srcMat.cols * 2, srcMat.rows * 3),
srcMat.type());
int threshold1 = 200;
int threshold2 = 100;
int qualityLevel = 1;
int minDistance = 10;
while(true)
{windowMat = cv::Scalar(0, 0, 0);
cv::Mat mat;
cv::Mat tempMat;
// 原图先 copy 到左边
mat = windowMat(cv::Range(srcMat.rows * 0, srcMat.rows * 1),
cv::Range(srcMat.cols * 0, srcMat.cols * 1));
cv::addWeighted(mat, 0.0f, srcMat, 1.0f, 0.0f, mat);
{
// 灰度图
cv::Mat grayMat;
cv::cvtColor(srcMat, grayMat, cv::COLOR_BGR2GRAY);
// copy
mat = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),
cv::Range(srcMat.cols * 0, srcMat.cols * 1));
cv::Mat grayMat2;
cv::cvtColor(grayMat, grayMat2, cv::COLOR_GRAY2BGR);
cv::addWeighted(mat, 0.0f, grayMat2, 1.0f, 0.0f, mat);
// 均值滤波
cv::blur(grayMat, tempMat, cv::Size(3, 3));
cvui::printf(windowMat, width * 1 + 20, height * 0 + 20, "threshold1");
cvui::trackbar(windowMat, width * 1 + 20, height * 0 + 40, 200, &threshold1, 0, 255);
cvui::printf(windowMat, width * 1 + 20, height * 0 + 80, "threshold2");
cvui::trackbar(windowMat, width * 1 + 20, height * 0 + 100, 200, &threshold2, 0, 255);
// canny 边缘检测
cv::Canny(tempMat, tempMat, threshold1, threshold2);
// copy
mat = windowMat(cv::Range(srcMat.rows * 1, srcMat.rows * 2),
cv::Range(srcMat.cols * 1, srcMat.cols * 2));
cv::cvtColor(tempMat, grayMat2, cv::COLOR_GRAY2BGR);
cv::addWeighted(mat, 0.0f, grayMat2, 1.0f, 0.0f, mat);
cvui::printf(windowMat, width * 1 + 20, height * 0 + 140, "qualityLevel / 100.0f");
cvui::trackbar(windowMat, width * 1 + 20, height * 0 + 160, 200, &qualityLevel, 1, 100);
cvui::printf(windowMat, width * 1 + 20, height * 0 + 200, "minDistance");
cvui::trackbar(windowMat, width * 1 + 20, height * 0 + 220, 200, &minDistance, 1, 100);
// Shi-Tomasi 角点检测
std::vector<cv::Point2f> corners;
cv::goodFeaturesToTrack(grayMat, // 输入图像
corners, // 输出角点
100, // 最大输出角点数量
qualityLevel / 100.0f, // 最小特征值
minDistance, // 最小间隔距离
cv::noArray(), // 感兴趣的区域
3, // 计算矩阵时的领域范围
false, // 不适用 harris 角点检测
0.04); // 权重系数
// 绘制检测到的角点
cv::Mat tempMat2 = srcMat.clone();
for(int index = 0; index < corners.size(); index++)
{cv::circle(tempMat2, corners.at(index), 2, cv::Scalar(0, 0, 255), 2);
}
// copy
mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
cv::Range(srcMat.cols * 0, srcMat.cols * 1));
cv::addWeighted(mat, 0.0f, tempMat2, 1.0f, 0.0f, mat);
// Shi-Tomasi 角点检测
cv::goodFeaturesToTrack(tempMat, // 输入图像
corners, // 输出角点
100, // 最大输出角点数量
qualityLevel / 100.0f, // 最小特征值
minDistance, // 最小间隔距离
cv::noArray(), // 感兴趣的区域
3, // 计算矩阵时的领域范围
false, // 不适用 harris 角点检测
0.04); // 权重系数
// 绘制检测到的角点
tempMat = srcMat.clone();
for(int index = 0; index < corners.size(); index++)
{cv::circle(tempMat, corners.at(index), 2, cv::Scalar(0, 0, 255), 2);
}
// copy
mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
cv::Range(srcMat.cols * 1, srcMat.cols * 2));
cv::addWeighted(mat, 0.0f, tempMat, 1.0f, 0.0f, mat);
}
// 更新
cvui::update();
// 显示
cv::imshow(windowName, windowMat);
// esc 键退出
if(cv::waitKey(25) == 27)
{break;}
}
}工程模板：对应版本号 v1.55.0
对应版本号 v1.55.0
上一篇：《OpenCV 开发笔记（六十）：红胖子 8 分钟带你深入了解 Harris 角点检测（图文并茂 + 浅显易懂 + 程序源码）》
下一篇：持续补充中…
原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/106436768
