opencv(cpp)基础学习--2026年5月2日

以下是整理后的博客版本，已修正表述并优化了排版，可直接复制使用：

角点检测（Corner Detection）

角点检测的核心原理是计算图像中每个像素点的角点响应值，响应值越大，该点是角点的概率越高。角点通常对应于图像中物体的拐角、交叉点等具有显著梯度变化的区域。

① Harris 角点检测

函数：cv::cornerHarris()

cv::cornerHarris(
    src,      // 输入：单通道灰度图（CV_8UC1 或 CV_32FC1）
    dst,      // 输出：角点响应值矩阵（CV_32FC1），每个像素对应一个响应值
    blockSize,// 邻域大小：计算角点响应时考虑的邻域窗口尺寸（如 2、3）
    ksize,    // Sobel 卷积核大小：用于计算图像梯度的 Sobel 算子尺寸，必须是奇数（如 3、5）
    k         // Harris 参数：对"角点"与"边缘"的区分敏感度，经验值通常为 0.04 ~ 0.06
);

处理流程：

调用 cornerHarris() 计算每个像素的角点响应值。
对输出矩阵进行归一化处理（通常使用 cv::normalize()），将响应值映射到便于观察或阈值筛选的范围。
使用阈值筛选或局部极大值抑制提取最终角点。

② Shi-Tomasi 角点检测（goodFeaturesToTrack）

Harris 算法的改进版，直接选取响应值最高的 N 个角点，效果更稳定。

函数：cv::goodFeaturesToTrack()

std::vector<cv::Point2f> corners;  // 存储检测到的角点坐标

cv::goodFeaturesToTrack(
    src,           // 输入：单通道灰度图
    corners,       // 输出：检测到的角点坐标数组，使用 vector<cv::Point2f> 存储
    maxCorners,    // 最多返回的高质量角点数量
    qualityLevel,  // 质量水平：如 0.01，表示仅保留响应值大于最大响应值 1% 的角点
    minDistance    // 最小距离：如 10，表示保留的角点之间至少相距 10 个像素，避免同一区域角点过于密集
);

参数说明：

参数	说明
`corners`	使用 `std::vector<cv::Point2f>` 存储角点的像素坐标
`qualityLevel`	相对质量阈值。例如 0.01 表示只保留响应值大于全局最大响应值 1% 的角点，其余舍弃
`minDistance`	角点之间的最小欧氏距离(直线距离)。若多个角点距离小于该值，仅保留响应值最高的那个，防止角点扎堆

③ SIFT（尺度不变特征变换）

SIFT 是一种经典的局部特征描述算法，对图像的缩放、旋转、亮度变化具有鲁棒性，能够检测并描述图像中的关键点（角点、边缘点、斑点等）。

使用步骤：

// 1. 创建 SIFT 检测器
cv::Ptr<cv::SIFT> sift = cv::SIFT::create();

// 2. 检测关键点
std::vector<cv::KeyPoint> keypoints;
sift->detect(grayImg, keypoints);  // 输入灰度图，输出检测到的关键点信息

// 可选：计算特征描述子
cv::Mat descriptors;
sift->compute(grayImg, keypoints, descriptors);

关键点信息存储在 cv::KeyPoint 中，包含坐标、尺度、方向等属性。

④ ORB（Oriented FAST and Rotated BRIEF）

ORB 是 SIFT 的轻量级替代方案，计算速度更快，且对旋转和缩放同样具有鲁棒性，适合实时应用。

使用步骤：

// 1. 创建 ORB 检测器
cv::Ptr<cv::ORB> orb = cv::ORB::create();

// 2. 同时检测关键点并计算描述子
std::vector<cv::KeyPoint> keypoints;
cv::Mat descriptors;
orb->detectAndCompute(
    grayImg,      // 输入：灰度图
    cv::noArray(),// 掩码：不使用掩码时传入 cv::noArray()
    keypoints,    // 输出：检测到的关键点信息
    descriptors   // 输出：关键点的二进制特征描述子矩阵（每行对应一个关键点的描述向量）
);

说明：

keypoints：使用 std::vector<cv::KeyPoint> 存储，包含每个关键点的坐标、尺度、方向等信息。
descriptors：cv::Mat 类型，每行对应一个关键点的特征描述向量，用于后续的特征匹配。

四种角点检测方法对比

方法	特点	适用场景
Harris	计算角点响应图，需手动阈值筛选；对旋转不变，但对尺度敏感	教学理解角点检测原理，简单场景
Shi-Tomasi	Harris 的改进版，直接返回最优 N 个角点；稳定性更好	需要固定数量角点的跟踪、标定等任务
SIFT	尺度、旋转、亮度不变；特征描述能力强；计算量大	图像拼接、三维重建、物体识别等离线高精度任务
ORB	速度远快于 SIFT；具备旋转和尺度不变性；描述子为二进制，匹配效率高	实时应用、SLAM、移动端等对速度敏感的场景

补充说明

关键点（KeyPoint）与角点（Corner）：严格来说，角点是关键点的一种。SIFT 和 ORB 检测的"关键点"不仅包含角点，还可能包含边缘点、斑点（Blob）等具有局部显著性的特征点。
描述子（Descriptor）：SIFT 和 ORB 不仅检测关键点位置，还会计算该点周围邻域的特征向量（描述子），用于不同图像间（如旋转、缩放后的图像）关键点的匹配。Harris 和 Shi-Tomasi 仅检测位置，不生成描述子，如需匹配需额外计算（如使用 SIFT/ORB 的描述子，或自定义描述方法）。

posted @ 2026-05-02 14:09 freeyang8 阅读(1) 评论(0) 收藏举报

刷新页面返回顶部

freeyang8