OpenCV开发笔记（六十一）：红胖子8分钟带你深入了解Shi-

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)-k*trace(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