OpenCV開發筆記（六十）：紅胖子8分鐘帶你深刻了解Harris角點檢測（圖文並茂+淺顯易懂+程序源碼）

時間  2020-05-27
標籤 opencv 開發 筆記 六十 胖子 8分 深刻 瞭解 harris 檢測 圖文並茂 淺顯易懂 程序 源碼 简体版
原文   原文鏈接

若該文爲原創文章，未經容許不得轉載
原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客導航：http://www.javashuo.com/article/p-wxwjppoc-mo.html
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/106367317
各位讀者，知識無窮而人力有窮，要麼改需求，要麼找專業人士，要麼本身研究
紅胖子(紅模仿)的博文大全：開發技術集合（包含Qt實用技術、樹莓派、三維、OpenCV、OpenGL、ffmpeg、OSG、單片機、軟硬結合等等）持續更新中…（點擊傳送門）算法

OpenCV開發專欄（點擊傳送門）

上一篇：《OpenCV開發筆記（五十九）：紅胖子8分鐘帶你深刻了解分水嶺算法（圖文並茂+淺顯易懂+程序源碼）》
下一篇：持續補充中…函數

 

前言

  紅胖子，來也！
  作識別，有時候遇到需求，好比識別一個三角形，並求得三角形三個頂點的角度，這種屬於教育場景相似的，還有其餘場景，那麼檢測角點就顯得很重要了，檢測出角點而且求出其角度。工具

 

Demo

  在這裏插入圖片描述
  在這裏插入圖片描述
  在這裏插入圖片描述
  在這裏插入圖片描述
  在這裏插入圖片描述
  在這裏插入圖片描述

 

圖像特徵三大類型

  • 邊緣：圖像強度發生突變的區域，其實就是高強度梯度區域；
  • 角點：兩個邊緣相交的地方，看起來像一個角；
  • 斑點：按特徵劃分的區域，強度特別高、強度特別低或具有特定紋理的區域；
 

Harris角點

概述

  Harris角點檢測是一種基於灰度圖像的角點提取算法，穩定性高，在opencv中harris角點檢測的性能相對較低，由於其使用了高斯濾波。
  基於灰度圖像的角點檢測又分爲基於梯度、基於模板和基於模板梯度組合三類型的方法，而Harris算法就是基於灰度圖像中的基於模板類型的算法。性能

原理

  人眼對角點的識別一般是經過一個局部的小窗口內完成的：若是在各個方向上移動這個小窗口，窗口內的灰度發生了較大的變化，那麼說明窗口內存在角點，具體分爲如下三種狀況：ui

  • 若是在各個方向移動，灰度幾乎不變，說明是平坦區域；
  • 若是隻沿着某一個方向移動，灰度幾乎不變，說明是直線；
  • 若是沿各個方向移動，灰度均發生變化，說明是角點。
      基本的原理，以下圖：
      在這裏插入圖片描述
      具體的計算公式以下：
    在這裏插入圖片描述
      在這裏插入圖片描述
      泰勒展開：
      在這裏插入圖片描述
      代入獲得：
      在這裏插入圖片描述
      其中:
      在這裏插入圖片描述
      二次項函數本質上就是一個橢圓函數，橢圓的扁平率和尺寸是由矩陣M的兩個特徵值決定的。
        在這裏插入圖片描述
      在這裏插入圖片描述
      矩陣M的兩個特徵值與圖像中的角點，邊緣，平坦區域的關係。
      Harris定義角點響應函數即：
      在這裏插入圖片描述
      即R=Det(M)-k*trace(M)*trace(M)，k爲經驗常數0.04~0.06 。
      定義當R>threshold時且爲局部極大值的點時，定義爲角點。

Harris函數原型

void cornerHarris(InputArray src,
                  OutputArray dst,
                  int blockSize,
                  int ksize,
                  double k,
                  intborderType=BORDER DEFAULT );
  • 參數一：InputArray類型的src，輸入圖像，即源圖像，填Mat類的對象 便可，且須爲單通道8位或者浮點型圖像；
  • 參數二：OutputArray類型的dst，函數調用後的運算結果存在這裏，即這個參數用於存放Harris角點檢測的輸出結果，和源圖片有同樣的尺寸，特別注意輸出類型是CV_32F；
  • 參數三：int類型的blockSize，表示鄰域的大小；
  • 參數四：int類型的ksize，表示Sobel()算子的孔徑大小；
  • 參數五：double類型的k，Harris角點響應函數，通常爲0.04~0.06；
  • 參數六：int類型的borderType，圖像像素的邊界模式：
      在這裏插入圖片描述

歸一化概述

  歸一化是指對矩陣cv::Mat進行歸一化操做。
  歸一化是一種無量綱處理手段，使物理系統數值的絕對值變成某種相對值關係。簡化計算，縮小量值的有效辦法。例如，濾波器中各個頻率值以截止頻率做歸一化後，頻率都是截止頻率的相對值，沒有了量綱。阻抗以電源內阻做歸一化後，各個阻抗都成了一種相對阻抗值，「歐姆」這個量綱也沒有了。等各類運算都結束後，反歸一化一切都復原了。信號處理工具箱中常常使用的是nyquist頻率，它被定義爲採樣頻率的二分之一，在濾波器的階數選擇和設計中的截止頻率均使用nyquist頻率進行歸一化處理。例如對於一個採樣頻率爲500hz的系統，400hz的歸一化頻率就爲400/500=0.8，歸一化頻率範圍在[0,1]之間。
  .net

歸一化函數原型

void normalize( InputArray src,
                InputOutputArray dst,
                double alpha = 1,
                double beta = 0,
                int norm_type = NORM_L2,
                int dtype = -1,
                InputArray mask = noArray());
  • 參數一：InputArray類型的src，通常爲mat；
  • 參數二：InputOutputArray類型的dst，通常爲mat，大小與src同樣；
  • 參數三：double類型的alpha，歸一化的最小值，默認值1；
  • 參數四：double類型的beta，歸一化的最大值，默認值0；
  • 參數五：int類型的norm_type，歸一化類型，具體查看cv::NormTypes，默認爲；
  • 參數六：int類型的dtype，默認值-1，負數時，其輸出矩陣與src類型相同，不然它和src有一樣的通道數，且此時圖像深度爲CV_MAT_DEPTH。
  • 參數七：InputArray類型的mask，可選的操做掩膜，默認值爲noArray()；

加強圖像函數原型

void convertScaleAbs(InputArray src,
                     OutputArray dst,
                     double alpha = 1,
                     double beta = 0);
  • 參數一：InputArray類型的src，通常爲mat；
  • 參數二：OutputArray類型的dst，通常爲mat，大小與src同樣；
  • 參數三：double類型的alpha，歸一化的最大值，默認值1；
  • 參數四：double類型的beta，歸一化的最大值，默認值0；
 

Demo源碼

void OpenCVManager::testHarris()
{
    QString fileName1 =
            "E:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/16.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;
    while(true)
    {
        windowMat = cv::Scalar(0, 0, 0);

        cv::Mat mat;

        cv::Mat tempMat;
        // 原圖先copy到左邊
        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);

        {
            // 灰度圖
            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);

            // 均值濾波
            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 + 100, "threshold2");
            cvui::trackbar(windowMat, width * 1 + 20, height * 0 + 120, 200, &threshold2, 0, 255);

            // canny邊緣檢測
            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);

            // harris角點檢測
            cv::cornerHarris(grayMat, grayMat2, 2, 3, 0.01);
            // 歸一化與轉換
            cv::normalize(grayMat2, grayMat2, 0, 255, cv::NORM_MINMAX, CV_32FC1, cv::Mat());
            cv::convertScaleAbs(grayMat2 , grayMat2); //將歸一化後的圖線性變換成 8U位元符號整
            // copy
            mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
                            cv::Range(srcMat.cols * 0, srcMat.cols * 1));
            cv::cvtColor(grayMat2, grayMat2, cv::COLOR_GRAY2BGR);

            cv::addWeighted(mat, 0.0f, grayMat2, 1.0f, 0.0f, mat);

            // harris角點檢測
            cv::cornerHarris(tempMat, tempMat, 2, 3, 0.01);
            // 歸一化與轉換
            cv::normalize(tempMat, tempMat, 0, 255, cv::NORM_MINMAX, CV_32FC1, cv::Mat());
            cv::convertScaleAbs(tempMat , tempMat); //將歸一化後的圖線性變換成 8U位元符號整
            // copy
            mat = windowMat(cv::Range(srcMat.rows * 2, srcMat.rows * 3),
                            cv::Range(srcMat.cols * 1, srcMat.cols * 2));
            cv::cvtColor(tempMat, tempMat, cv::COLOR_GRAY2BGR);
            cv::addWeighted(mat, 0.0f, tempMat, 1.0f, 0.0f, mat);
        }
        // 更新
        cvui::update();
        // 顯示
        cv::imshow(windowName, windowMat);
        // esc鍵退出
        if(cv::waitKey(25) == 27)
        {
            break;
        }
    }
}
 

工程模板：對應版本號v1.54.0

  對應版本號v1.54.0設計

 

上一篇：《OpenCV開發筆記（五十九）：紅胖子8分鐘帶你深刻了解分水嶺算法（圖文並茂+淺顯易懂+程序源碼）》
下一篇：持續補充中…3d

 

原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客導航：http://www.javashuo.com/article/p-wxwjppoc-mo.html
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/106367317code

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程