type
status
date
slug
summary
tags
category
icon
password
Email
水寒江静，满目青山，载月明归。——黄庭坚《诉衷情》
文章首发于我的个人博客：欢迎大佬们来逛逛
opencv图像角点检测
角点检测是计算机视觉系统中用来获取图像特征的一种方法，广泛应用于运动检测、图像匹配、视频跟踪、三维建模和目标识别等领域中，也称为特征点检测。角点检测被定义为两条边的交点，更严格的说法是，角点的局部领域应该具有两个不同区域的不同方向的边界。而实际应用中，大多数所谓的角点检测方法检测的是拥有特定特征的图像点，而不仅仅是“角点”。这些特征点在图像中有具体的坐标，并具有某些数学特征，如局部最大或最小灰度、某些梯度特征等。
Harris角点检测
计算过程
角点检测中使E(u,v)E(uv)的值最大。利用一阶泰勒展开有：
可用sobel算子计算,推导过程如下:
M矩阵决定了E(u,v)的取值，下面我们利用M来求角点，M是关于x和 y方向导数的二次项函数，可以表示成椭圆的形状，椭圆的长短半轴由MM的特征值λ1和λ2决定，方向由特征矢量决定，如下图所示：
椭圆函数特征值与图像中的角点、直线（边缘）和平面之间的关系如下：
- 图像中的直线：一个特征值大，另一个特征值小
- 图像中的平面：两个特征值都小，且近似相等
- 图像中的角点：两个特征值都大，且近似相等
Harris给出的角点计算方法并不需要计算具体的特征值，而是计算一个角点响应值R来判断角点。R的计算公式为
- detM：矩阵M的行列式，即λ1*λ2
- traceM：为矩阵M的迹，即λ1+λ2
- α：常数，取值范围为0.04~0.06
R与图像中的角点、直线（边缘）和平面之间的关系如下：
- 当R为大数值的正数时是角点
- 当R为大数值的负数时是边界
- 当R为小数是认为是平坦区域
API介绍
Tomasi角点检测
亚像素级角点检测
数字图像通常是离散化成像素；每个像素对应一个整数坐标位置；整数坐标位置对于很多应用并不精确，比如跟踪、相机标定、图像配准、图像拼接以及三维重构；为达到有些应用的精确性，需要精确到浮点坐标位置；所以亚像素定位问题。亚像素定位就是计算特征所在图像中的真实位置，而真实位置有时候并不在像素所在整数坐标位置上，而是在像素的内部。
计算过程
- 插值
- 基于图像矩阵计算
- 曲线拟合
左图中点p附近的图像是均匀的，其梯度为0，右图中边缘的梯度与沿边缘方向的q-p向量正交，p点梯度与q-p向量的点积均为0
我们假设起始角点q在实际亚像素角点的附近。检测所有的q-p向量。若点p位于一个均匀区域，则点p的梯度为0。若q-p向量的方向与边缘的方向一致，则此边缘上p点处的梯度与q-p向量正交，在这两种情况下，p点处的梯度与q-p向量的点积为0.我们可以在p点周围找到很多组梯度以及相关的向量q-p，令其点集为0，然后可以通过求解方程组，方程组的解即为角点q的亚像素级精度的位置，即精确的角点位置。
API介绍
- 作者:Yuleo
- 链接:https://www.helloylh.com/article/opencv15
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。