【OpenCV3】角點檢測——cv::goodFeaturesToTrack()與cv::cornerSubPix()詳解
一提到角點檢測，最常用的方法莫過於Harris角點檢測，opencv中也提供了Harris角點檢測的介面，即cv::cornerHarris()，但是Harris角點檢測存在很多缺陷（如角點是畫素級別的，速度較慢等），因此我們這裡將介紹opencv中的另一個功能更為強大的函式——cv::goodFeaturesToTrack()，它不僅支援Harris角點檢測，也支援Shi Tomasi演算法的角點檢測。但是，該函式檢測到的角點依然是畫素級別的，若想獲取更為精細的角點座標，則需要呼叫cv::cornerSubPix()函式進一步細化處理，即亞畫素。
1、cv::goodFeaturesToTrack()角點檢測
cv::goodFeaturesToTrack()的具體呼叫形式如下：
void cv::goodFeaturesToTrack( cv::InputArray image, // 輸入影象（CV_8UC1 CV_32FC1） cv::OutputArray corners, // 輸出角點vector int maxCorners, // 最大角點數目 double qualityLevel, // 質量水平係數（小於1.0的正數，一般在0.01-0.1之間） double minDistance, // 最小距離，小於此距離的點忽略 cv::InputArray mask = noArray(), // mask=0的點忽略 int blockSize = 3, // 使用的鄰域數 bool useHarrisDetector = false, // false ='Shi Tomasi metric' double k = 0.04 // Harris角點檢測時使用 );
第一個引數是輸入影象（8位或32位單通道圖）。
第二個引數是檢測到的所有角點，型別為vector或陣列，由實際給定的引數型別而定。如果是vector，那麼它應該是一個包含cv::Point2f的vector物件；如果型別是cv::Mat,那麼它的每一行對應一個角點，點的x、y位置分別是兩列。
第三個引數用於限定檢測到的點數的最大值。
第四個引數表示檢測到的角點的質量水平（通常是0.10到0.01之間的數值，不能大於1.0）。
第五個引數用於區分相鄰兩個角點的最小距離（小於這個距離得點將進行合併）。
第六個引數是mask，如果指定，它的維度必須和輸入影象一致，且在mask值為0處不進行角點檢測。
第七個引數
第八個引數用於指定角點檢測的方法，如果是true則使用Harris角點檢測，false則使用Shi Tomasi演算法。
第九個引數是在使用Harris演算法時使用，最好使用預設值0.04。
下面使用測試程式碼，看一下實際的檢測效果。
測試程式碼如下：
cv::Mat image_color = cv::imread("house.jpg", cv::IMREAD_COLOR);
//使用灰度影象進行角點檢測
cv::Mat image_gray;
cv::cvtColor(image_color, image_gray, cv::COLOR_BGR2GRAY);
//設定角點檢測引數
std::vector<cv::Point2f> corners;
int max_corners = 200;
double quality_level = 0.01;
double min_distance = 3.0;
int block_size = 3;
bool use_harris = false;
double k = 0.04;
//角點檢測
cv::goodFeaturesToTrack(image_gray,
corners,
max_corners,
quality_level,
min_distance,
cv::Mat(),
block_size,
use_harris,
k);
//將檢測到的角點繪製到原圖上
for (int i = 0; i < corners.size(); i++)
{
cv::circle(image_color, corners[i], 1, cv::Scalar(0, 0, 255), 2, 8, 0);
}
cv::imshow("house corner", image_color);
cv::waitKey(0);
return;實際檢測效果如下：
2、cv::cornerSubPix()亞畫素角點檢測
前面已經提及，cv::goodFeaturesToTrack()提取到的角點只能達到畫素級別，在很多情況下並不能滿足實際的需求，這時，我們則需要使用cv::cornerSubPix()對檢測到的角點作進一步的優化計算，可使角點的精度達到亞畫素級別。
具體呼叫形式如下：
void cv::cornerSubPix(
cv::InputArray image, // 輸入影象
cv::InputOutputArray corners, // 角點（既作為輸入也作為輸出）
cv::Size winSize, // 區域大小為 NXN; N=(winSize*2+1)
cv::Size zeroZone, // 類似於winSize，但是總具有較小的範圍，Size(-1,-1)表示忽略
cv::TermCriteria criteria // 停止優化的標準
);第一個引數是輸入影象，和cv::goodFeaturesToTrack()中的輸入影象是同一個影象。
第二個引數是檢測到的角點，即是輸入也是輸出。
第三個引數是計算亞畫素角點時考慮的區域的大小，大小為NXN; N=(winSize*2+1)。
第四個引數作用類似於winSize，但是總是具有較小的範圍，通常忽略（即Size(-1, -1)）。
第五個引數用於表示計算亞畫素時停止迭代的標準，可選的值有cv::TermCriteria::MAX_ITER 、cv::TermCriteria::EPS（可以是兩者其一，或兩者均選），前者表示迭代次數達到了最大次數時停止，後者表示角點位置變化的最小值已經達到最小時停止迭代。二者均使用cv::TermCriteria()建構函式進行指定。
下面就通過一個示例看看cv::cornerSubPix()亞畫素角點檢測的具體效果。
cv::Mat image_color = cv::imread("image.jpg", cv::IMREAD_COLOR);
//用於繪製亞畫素角點
cv::Mat image_copy = image_color.clone();
//使用灰度影象進行角點檢測
cv::Mat image_gray;
cv::cvtColor(image_color, image_gray, cv::COLOR_BGR2GRAY);
//設定角點檢測引數
std::vector<cv::Point2f> corners;
int max_corners = 100;
double quality_level = 0.01;
double min_distance = 10;
int block_size = 3;
bool use_harris = false;
double k = 0.04;
//角點檢測
cv::goodFeaturesToTrack(image_gray,
corners,
max_corners,
quality_level,
min_distance,
cv::Mat(),
block_size,
use_harris,
k);
//將檢測到的角點繪製到原圖上
for (int i = 0; i < corners.size(); i++)
{
cv::circle(image_color, corners[i], 5, cv::Scalar(0, 0, 255), 2, 8, 0);
}
//指定亞畫素計算迭代標註
cv::TermCriteria criteria = cv::TermCriteria(
cv::TermCriteria::MAX_ITER + cv::TermCriteria::EPS,
40,
0.01);
//亞畫素檢測
cv::cornerSubPix(image_gray, corners, cv::Size(5, 5), cv::Size(-1, -1), criteria);
//將檢測到的亞畫素角點繪製到原圖上
for (int i = 0; i < corners.size(); i++)
{
cv::circle(image_copy, corners[i], 5, cv::Scalar(0, 255, 0), 2, 8, 0);
}
cv::imshow("corner", image_color);
cv::imshow("sub pixel corner", image_copy);
cv::imwrite("corner.jpg", image_color);
cv::imwrite("corner_sub.jpg", image_copy);
cv::waitKey(0);
return;直接角點檢測和亞畫素角點檢測的結果分別如下：
從檢測的效果來看，使用亞畫素角點檢測后角點的精細度確實得到了顯著的提升。
2017.04.07