opencv实现角点检测

本文实例为大家分享了opencv实现角点检测的具体代码，供大家参考，具体内容如下

1、特征点的作用：使用特征点代表图像内容

运动目标跟踪
物体识别
图像配准
全景图像拼接
三维重建

2、Harris角点检测基本思想

角点定义 ：窗口向任意方向的移动都导致图像灰度的明显变化

平坦区域：任意方向移动，无灰度变化

边缘：

沿着边缘方向移动，无灰度变化







#include "opencv2/opencv.hpp"
#include <iostream>

using namespace cv;
using namespace std;
//全局变量

int main()
{
    Mat src_image ;
    Mat gray_image ;
    VideoCapture vidcap(0);

    vector<Point2f> conners;//检测到的角点
    int maxConers = 300;//检测角点上限
    double qualityLevel = 0.1;//最小特征值
    double minDistance = 10;//最小距离

    while (true)
    {
        vidcap >> src_image;

        cvtColor( src_image, gray_image, CV_BGR2GRAY);//转换为灰度图

        //Shi-Tomasi角点检测
        goodFeaturesToTrack( gray_image, conners, maxConers, qualityLevel, minDistance);

        //cout<<"检测到的角点坐标："<<conners<<endl;

        //角点绘制
        for (int i = 0; i < conners.size(); i++)
        {
            circle( src_image, conners[i], 3, Scalar(255&rand(),255&rand(),255&rand()), 2, 8, 0);
        }

        imshow( "角点检测", src_image );
        waitKey(10);
    }

    return 0;
}

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

赞 (0)

相关推荐

  • OpenCV半小时掌握基本操作之角点检测

    OpenCV半小时掌握基本操作之角点检测

    目录 概述 角点检测 角点检测代码 概述 OpenCV 是一个跨平台的计算机视觉库, 支持多语言, 功能强大. 今天小白就带大家一起携手走进 OpenCV 的世界. 角点检测 角点检测 (Corner Detection) 是图像的重要特征. 角点可以帮助我们实现图像对其, 图像拼接, 目标识别等等重要用途. Harris 角点检测 (Harris Corner Detection) 是最基础也是最重要的一种角点检测算法. 通过计算图像在 x, y 上平移的自相似性 (Self-Similari

  • OpenCV实现图像角点检测

    OpenCV实现图像角点检测

    历时一个多月,于今天上午终于将项目交上去了,这期间虽很辛苦,但是成长了不少,在此将项目中涉及到的知识点进行整理,本文主要介绍图像的角点检测: 一.代码部分: // Detect_Corners.cpp : 定义控制台应用程序的入口点. // #include "stdafx.h" #include "opencv2/opencv.hpp" #include <opencv2/imgproc/imgproc.hpp> #include <iostre

  • OpenCV特征提取与检测之Shi-Tomasi角点检测器

    OpenCV特征提取与检测之Shi-Tomasi角点检测器

    前言 角点通常被定义为两条边的交点,或者说,角点的局部邻域应该具有两个不同区域的不同方向的边界.角点检测(Corner Detection)是计算机视觉系统中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.三维重建和目标识别等,也可称为特征点检测. 角点检测算法的基本思想: 使用一个固定窗口在图像上进行任意方向上的滑动,比较滑动前与滑动后两种情况,窗口中的像素灰度变化程度,如果存在任意方向上的滑动,都有着较大灰度变化,那么我们可以认为该窗口中存在角点. 目前,角点检测算法还不是十

  • OpenCV基于ORB算法实现角点检测

    OpenCV基于ORB算法实现角点检测

    本文实例为大家分享了OpenCV基于ORB算法实现角点检测的具体代码,供大家参考,具体内容如下 ORB算法是FAST算法和BRIEF算法的结合,ORB可以用来对图像中的关键点快速创建特征向量,并用这些特征向量来识别图像中的对象. 实例化ORB orb = cv.ORB_create(nfeatures) 参数: nfeatures:特征点的最大数量 利用orb.detectAndCompute()检测关键点并计算 kp, des = orb.detectAndCompute(gray, None

  • Python中OpenCV图像特征和harris角点检测

    Python中OpenCV图像特征和harris角点检测

    目录 概念 第一步:计算一个梯度 Ix,Iy 第二步:整合矩阵,计算特征值 第三步:比较特征值的大小 第四步: 非极大值抑制,把真正的角点留下来,角点周围的过滤掉 代码实现 概念 第一步:计算一个梯度 Ix,Iy 第二步:整合矩阵,计算特征值 第三步:比较特征值的大小 第四步: 非极大值抑制,把真正的角点留下来,角点周围的过滤掉 代码实现 import cv2 import numpy as np img =cv2.imread('pie.png') print('img.shape',img.

  • python opencv角点检测连线功能的实现代码

    原始图 角点检测 points = cv2.goodFeaturesToTrack(gray, 100, 0.01, 10) points = np.int0(points).reshape(-1,2) for point in points: x, y = point.ravel() cv2.circle(img, (x, y), 10, (0, 255, 0), -1) 连线 cv2.line(img, (0, y1), (1000, y1), (0, 255, 0), thickness=

  • OpenCV特征提取与检测之Harris角点检测

    OpenCV特征提取与检测之Harris角点检测

    目录 前言 1. 效果图 2. 原理 3. 源码 3.1 Harris角点检测 3.2 精细角点检测 总结 前言 这篇博客将了解什么是特征,角点,哈里斯角点检测(Harris Corner Detection)的概念.并使用cv2.cornerHarris(),cv2.cornerSubPix()实现哈里斯角点检测: 1. 效果图 原图 VS Harris角点检测效果图如下: 原图 VS Harris角点检测效果图如下: 惊细角点效果图如下:Harris角点用红色像素标记,精细角点用绿色像素标记

  • OpenCV哈里斯(Harris)角点检测的实现

    环境 pip install opencv-python==3.4.2.16 pip install opencv-contrib-python==3.4.2.16 理论 克里斯·哈里斯(Chris Harris)和迈克·史蒂芬斯(Mike Stephens)在1988年的论文<组合式拐角和边缘检测器>中做了一次尝试找到这些拐角的尝试,所以现在将其称为哈里斯拐角检测器. 函数:cv2.cornerHarris(),cv2.cornerSubPix() 示例代码 import cv2 impor

  • OpenCV角点检测的实现示例

    目录 Harris 角点检测算法 1. 角点 角点检测算法的基本思想: 2. 流程 3. 实现 Harris 角点检测算法 1. 角点 角点是水平方向.垂直方向变化都很大的像素. 角点检测算法的基本思想: 使用一个固定窗口在图像上进行任意方向上的滑动,比较滑动前与滑动后两种情况,窗口中的像素灰度变化程度,如果存在任意方向上的滑动,都有着较大灰度变化,那么我们可以认为该窗口中存在角点. 目前,角点检测算法还不是十分完善,许多算法需要依赖大量的训练集和冗余数据来防止和减少错误的特征的出现.对于角点检

  • Android基于OpenCV实现Harris角点检测

    Android基于OpenCV实现Harris角点检测

    目录 什么是角点? 为什么要检测角点? Harris角点检测 API 操作 效果 源码 什么是角点? 角点就是极值点,即在某方面属性特别突出的点.当然,你可以自己定义角点的属性(设置特定熵值进行角点检测).角点可以是两条线的交叉处,也可以是位于相邻的两个主要方向不同的事物上的点.角点通常被定义为两条边的交点,或者说,角点的局部邻域应该具有两个不同区域的不同方向的边界.常见的角点有: 灰度梯度的最大值对应的像素点: 两条直线或者曲线的交点: 一阶梯度的导数最大值和梯度方向变化率最大的像素点: 一阶

随机推荐