【第二部分 图像处理】第3章 Opencv图像处理进阶【6角点检测 D】

2024-08-30 13:32
文章标签 进阶 opencv 图像处理 检测 第二 部分 角点

本文主要是介绍【第二部分 图像处理】第3章 Opencv图像处理进阶【6角点检测 D】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

6.4自定义角点检测

6.4.1自定义角点检测概述

前文讲解了利用Harris进行角点检测和利用Shi-Tomasi方法进行角点检测外，也可以自己制作角点检测的函数：使用cornerEigenValsAndVecs()函数和minMaxLoc()函数结合来模拟Harris角点检测，或者使用cornerMinEigenVal()函数和minMaxLoc()函数结合来模拟Shi-Tomasi角点检测，最后特征点选取的判断条件要根据实际情况进行选择。

6.4.2自定义角点检测函数

 cornerEigenValsAndVecs ()函数讲解

C++: void cornerEigenValsAndVecs(InputArray src, OutputArray dst, int blockSize, int ksize, int borderType=BORDER_DEFAULT );

【参数】
第一个参数，src：输入单通道8-bit或者浮点类型图像。
第二个参数，dst：用来存储结果的图像，大小与输入图像一致并且为CV_32FC(6)类型。
第三个参数，blockSize：邻域大小。
第四个参数，ksize：Sobel算子当中的核大小，只能取1、3、5、7。
第五个参数，borderType：像素扩展的方法，因为在滤波处理的过程中会扩展图像边缘，每扩张一个边界像素，都需要计算出该像素点在原图中的位置，这个功能被提炼出来就变成了borderInterpolate()函数。该函数输入一个点坐标，返回他在原图中的坐标。
对于每个像素点p，该函数考虑一个blockSize*blockSize的邻域S(p)，它在邻域上计算导数的协方差矩阵：
这里写图片描述
其中导数是使用Sobel()算子计算得到的。随后，函数计算矩阵M的特征值和特征向量，并将它们以(λ1, λ2, x1, y1, x2,y2)的形式存储在目标图像dst中。其中λ1, λ2是M未经过排序的特征值；x1, y1是对应于λ1的特征向量；x2, y2是对应于λ2的特征向量。该函数的输出能够用于鲁棒的边缘或角点检测。
 cornerEigenValsAndVecs ()函数源代码

/*【cornerEigenValsAndVecs ( )源代码】************************************************** @Version：OpenCV 3.0.0（Opnencv2和Opnencv3差别不大，Linux和PC的对应版本源码完全一样，均在对应的安装目录下）  * @源码路径：…\opencv\sources\modules\imgproc\src\ corner.cpp* @起始行数：658行   
********************************************************************************/
void cv::cornerEigenValsAndVecs( InputArray _src, OutputArray _dst, int blockSize, int ksize, int borderType )
{
    Mat src = _src.getMat();
    Size dsz = _dst.size();
    int dtype = _dst.type();    if( dsz.height != src.rows || dsz.width*CV_MAT_CN(dtype) != src.cols*6 || CV_MAT_DEPTH(dtype) != CV_32F )
        _dst.create( src.size(), CV_32FC(6) );
    Mat dst = _dst.getMat();
    cornerEigenValsVecs( src, dst, blockSize, ksize, EIGENVALSVECS, 0, borderType );
}

可以看出其实调用的()函数，其函数原代码如下。

/*【cornerEigenValsVecs ( )源代码】****************************************************** @Version：OpenCV 3.0.0（Opnencv2和Opnencv3差别不大，Linux和PC的对应版本源码完全一样，均在对应的安装目录下）  * @源码路径：…\opencv\sources\modules\imgproc\src\ corner.cpp* @起始行数：266行   
********************************************************************************/
static void cornerEigenValsVecs( const Mat& src, Mat& eigenv, int block_size,int aperture_size, int op_type, double k=0.,int borderType=BORDER_DEFAULT )
{
#ifdef HAVE_TEGRA_OPTIMIZATIONif (tegra::useTegra() && tegra::cornerEigenValsVecs(src, eigenv, block_size, aperture_size, op_type, k, borderType))return;
#endif
#if CV_SSE2bool haveSSE2 = checkHardwareSupport(CV_CPU_SSE2);
#endifint depth = src.depth();double scale = (double)(1 << ((aperture_size > 0 ? aperture_size : 3) - 1)) * block_size;if( aperture_size < 0 )scale *= 2.0;if( depth == CV_8U )scale *= 255.0;scale = 1.0/scale;CV_Assert( src.type() == CV_8UC1 || src.type() == CV_32FC1 );Mat Dx, Dy;if( aperture_size > 0 ){Sobel( src, Dx, CV_32F, 1, 0, aperture_size, scale, 0, borderType );Sobel( src, Dy, CV_32F, 0, 1, aperture_size, scale, 0, borderType );}else{Scharr( src, Dx, CV_32F, 1, 0, scale, 0, borderType );Scharr( src, Dy, CV_32F, 0, 1, scale, 0, borderType );}Size size = src.size();Mat cov( size, CV_32FC3 );int i, j;for( i = 0; i < size.height; i++ ){float* cov_data = cov.ptr<float>(i);const float* dxdata = Dx.ptr<float>(i);const float* dydata = Dy.ptr<float>(i);j = 0;#if CV_NEONfor( ; j <= size.width - 4; j += 4 ){float32x4_t v_dx = vld1q_f32(dxdata + j);float32x4_t v_dy = vld1q_f32(dydata + j);float32x4x3_t v_dst;v_dst.val[0] = vmulq_f32(v_dx, v_dx);v_dst.val[1] = vmulq_f32(v_dx, v_dy);v_dst.val[2] = vmulq_f32(v_dy, v_dy);vst3q_f32(cov_data + j * 3, v_dst);}#elif CV_SSE2if (haveSSE2){for( ; j <= size.width - 8; j += 8 ){__m128 v_dx_0 = _mm_loadu_ps(dxdata + j);__m128 v_dx_1 = _mm_loadu_ps(dxdata + j + 4);__m128 v_dy_0 = _mm_loadu_ps(dydata + j);__m128 v_dy_1 = _mm_loadu_ps(dydata + j + 4);__m128 v_dx2_0 = _mm_mul_ps(v_dx_0, v_dx_0);__m128 v_dxy_0 = _mm_mul_ps(v_dx_0, v_dy_0);__m128 v_dy2_0 = _mm_mul_ps(v_dy_0, v_dy_0);__m128 v_dx2_1 = _mm_mul_ps(v_dx_1, v_dx_1);__m128 v_dxy_1 = _mm_mul_ps(v_dx_1, v_dy_1);__m128 v_dy2_1 = _mm_mul_ps(v_dy_1, v_dy_1);_mm_interleave_ps(v_dx2_0, v_dx2_1, v_dxy_0, v_dxy_1, v_dy2_0, v_dy2_1);_mm_storeu_ps(cov_data + j * 3, v_dx2_0);_mm_storeu_ps(cov_data + j * 3 + 4, v_dx2_1);_mm_storeu_ps(cov_data + j * 3 + 8, v_dxy_0);_mm_storeu_ps(cov_data + j * 3 + 12, v_dxy_1);_mm_storeu_ps(cov_data + j * 3 + 16, v_dy2_0);_mm_storeu_ps(cov_data + j * 3 + 20, v_dy2_1);}}#endiffor( ; j < size.width; j++ ){float dx = dxdata[j];float dy = dydata[j];cov_data[j*3] = dx*dx;cov_data[j*3+1] = dx*dy;cov_data[j*3+2] = dy*dy;}}boxFilter(cov, cov, cov.depth(), Size(block_size, block_size),Point(-1,-1), false, borderType );if( op_type == MINEIGENVAL )calcMinEigenVal( cov, eigenv );else if( op_type == HARRIS )calcHarris( cov, eigenv, k );else if( op_type == EIGENVALSVECS )calcEigenValsVecs( cov, eigenv );
}

 cornerMinEigenVal ()函数讲解

C++: void cornerMinEigenVal(InputArray src, OutputArray dst, int blockSize, int ksize=3, int borderType=BORDER_DEFAULT );

【参数】
第一个参数，src：输入单通道8-bit或者浮点类型图像。
第二个参数，dst：用来存储结果的图像，必须为CV_32FC1类型。
第三个参数，blockSize：邻域大小。
第四个参数，ksize：Sobel算子当中的核大小，只能取1、3、5、7。
第五个参数，borderType：像素扩展的方法，因为在滤波处理的过程中会扩展图像边缘，每扩张一个边界像素，都需要计算出该像素点在原图中的位置，这个功能被提炼出来就变成了borderInterpolate()函数。该函数输入一个点坐标，返回他在原图中的坐标。
【注】除了dst必须为CV_32FC1类型以外，其它与cornerEigenValsAndVecs()函数的一致。
 cornerMinEigenVal ()函数源代码

/*【cornerMinEigenVal ( )源代码】******************************************************* @Version：OpenCV 3.0.0（Opnencv2和Opnencv3差别不大，Linux和PC的对应版本源码完全一样，均在对应的安装目录下）  * @源码路径：…\opencv\sources\modules\imgproc\src\ corner.cpp* @起始行数：526行   
********************************************************************************/
void cv::cornerMinEigenVal( InputArray _src, OutputArray _dst, int blockSize, int ksize, int borderType )
{CV_OCL_RUN(_src.dims() <= 2 && _dst.isUMat(),ocl_cornerMinEigenValVecs(_src, _dst, blockSize, ksize, 0.0, borderType, MINEIGENVAL))Mat src = _src.getMat();_dst.create( src.size(), CV_32FC1 );Mat dst = _dst.getMat();
#if defined(HAVE_IPP) && (IPP_VERSION_MAJOR >= 8)CV_IPP_CHECK(){typedef IppStatus (CV_STDCALL * ippiMinEigenValGetBufferSize)(IppiSize, int, int, int*);typedef IppStatus (CV_STDCALL * ippiMinEigenVal)(const void*, int, Ipp32f*, int, IppiSize, IppiKernelType, int, int, Ipp8u*);IppiKernelType kerType;int kerSize = ksize;if (ksize < 0){kerType = ippKernelScharr;kerSize = 3;} else{kerType = ippKernelSobel;}bool isolated = (borderType & BORDER_ISOLATED) != 0;int borderTypeNI = borderType & ~BORDER_ISOLATED;if ((borderTypeNI == BORDER_REPLICATE && (!src.isSubmatrix() || isolated)) &&(kerSize == 3 || kerSize == 5) && (blockSize == 3 || blockSize == 5)){ippiMinEigenValGetBufferSize getBufferSizeFunc = 0;ippiMinEigenVal minEigenValFunc = 0;float norm_coef = 0.f;if (src.type() == CV_8UC1){getBufferSizeFunc = (ippiMinEigenValGetBufferSize) ippiMinEigenValGetBufferSize_8u32f_C1R;minEigenValFunc = (ippiMinEigenVal) ippiMinEigenVal_8u32f_C1R;norm_coef = 1.f / 255.f;} else if (src.type() == CV_32FC1){getBufferSizeFunc = (ippiMinEigenValGetBufferSize) ippiMinEigenValGetBufferSize_32f_C1R;minEigenValFunc = (ippiMinEigenVal) ippiMinEigenVal_32f_C1R;norm_coef = 255.f;}norm_coef = kerType == ippKernelSobel ? norm_coef : norm_coef / 2.45f;if (getBufferSizeFunc && minEigenValFunc){int bufferSize;IppiSize srcRoi = { src.cols, src.rows };IppStatus ok = getBufferSizeFunc(srcRoi, kerSize, blockSize, &bufferSize);if (ok >= 0){AutoBuffer<uchar> buffer(bufferSize);ok = minEigenValFunc(src.ptr(), (int) src.step, dst.ptr<Ipp32f>(), (int) dst.step, srcRoi, kerType, kerSize, blockSize, buffer);CV_SUPPRESS_DEPRECATED_STARTif (ok >= 0) ok = ippiMulC_32f_C1IR(norm_coef, dst.ptr<Ipp32f>(), (int) dst.step, srcRoi);CV_SUPPRESS_DEPRECATED_ENDif (ok >= 0){CV_IMPL_ADD(CV_IMPL_IPP);return;}}setIppErrorStatus();}}}
#endifcornerEigenValsVecs( src, dst, blockSize, ksize, MINEIGENVAL, 0, borderType );
}

可以看出也调用了cornerEigenValsVecs()函数。

6.4.3自定义角点检测实例

代码参看附件【demo1】。

这里写图片描述

图1

这里写图片描述

图2

这里写图片描述

图3

参考：
英文
中文

本章参考附件

点击进入

这篇关于【第二部分 图像处理】第3章 Opencv图像处理进阶【6角点检测 D】的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1120956。

相关文章

使用Python实现IP地址和端口状态检测与监控

使用Python实现IP地址和端口状态检测与监控

《使用Python实现IP地址和端口状态检测与监控》在网络运维和服务器管理中,IP地址和端口的可用性监控是保障业务连续性的基础需求,本文将带你用Python从零打造一个高可用IP监控系统,感兴趣的小伙... 目录概述：为什么需要IP监控系统使用步骤说明1. 环境准备2. 系统部署3. 核心功能配置系统效果展
阅读更多...
一文详解如何在Python中从字符串中提取部分内容

一文详解如何在Python中从字符串中提取部分内容

《一文详解如何在Python中从字符串中提取部分内容》：本文主要介绍如何在Python中从字符串中提取部分内容的相关资料,包括使用正则表达式、Pyparsing库、AST（抽象语法树）、字符串操作... 目录前言解决方案方法一：使用正则表达式方法二：使用 Pyparsing方法三：使用 AST方法四：使用字
阅读更多...
在PyCharm中安装PyTorch、torchvision和OpenCV详解

在PyCharm中安装PyTorch、torchvision和OpenCV详解

《在PyCharm中安装PyTorch、torchvision和OpenCV详解》：本文主要介绍在PyCharm中安装PyTorch、torchvision和OpenCV方式,具有很好的参考价值,... 目录PyCharm安装PyTorch、torchvision和OpenCV安装python安装PyTor
阅读更多...
openCV中KNN算法的实现

openCV中KNN算法的实现

《openCV中KNN算法的实现》KNN算法是一种简单且常用的分类算法,本文主要介绍了openCV中KNN算法的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录KNN算法流程使用OpenCV实现KNNOpenCV 是一个开源的跨平台计算机视觉库，它提供了各
阅读更多...
OpenCV图像形态学的实现

OpenCV图像形态学的实现

《OpenCV图像形态学的实现》本文主要介绍了OpenCV图像形态学的实现,包括腐蚀、膨胀、开运算、闭运算、梯度运算、顶帽运算和黑帽运算,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起... 目录一、图像形态学简介二、腐蚀（Erosion）1. 原理2. OpenCV 实现三、膨胀China编程（
阅读更多...
Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战：从入门到进阶优化1. MyBatis
阅读更多...
opencv图像处理之指纹验证的实现

opencv图像处理之指纹验证的实现

《opencv图像处理之指纹验证的实现》本文主要介绍了opencv图像处理之指纹验证的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学... 目录一、简介二、具体案例实现1. 图像显示函数2. 指纹验证函数3. 主函数4、运行结果三、总结一、
阅读更多...
Mysql删除几亿条数据表中的部分数据的方法实现

Mysql删除几亿条数据表中的部分数据的方法实现

《Mysql删除几亿条数据表中的部分数据的方法实现》在MySQL中删除一个大表中的数据时,需要特别注意操作的性能和对系统的影响,本文主要介绍了Mysql删除几亿条数据表中的部分数据的方法实现,具有一定... 目录1、需求2、方案1. 使用 DELETE 语句分批删除2. 使用 INPLACE ALTER T
阅读更多...
python+opencv处理颜色之将目标颜色转换实例代码

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,：本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV： 关于颜色总是要转HSV的掩膜再标注总结 目标：将红色的部分滤
阅读更多...
Java进阶学习之如何开启远程调式

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,：本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2