目录
- 一、Moravec算子介绍
* - 1.基本原理
- 2.算法步骤
- 二、基于C语言的算法描述
* - 1.影像数据介绍
- 2.编程思路
- 3.特征点提取算法阈值设定分析
- 4.窗口大小对特征点提取结果的影响
- 三、代码实现
* - 1.OpenCV的配置
- 2.C语言代码
- 3.最终提取结果图
- 四、均匀特征点提取
- 五、影像相关系数匹配
一、Moravec算子介绍
1.基本原理
这是一种基于灰度方差的角点检测算子，该算子计算图像中每个像素点沿着水平、垂直、对角线及反对角线的四个方向的灰度方差，其中的最小值选作该像素点的兴趣值 IV，再通过局部非极大值抑制来检测其是否为特征点（角点）。
2.算法步骤
（1）计算各像元的兴趣值 IV(Interest Value) 。以像素(c,r) 为中心的 _w x w_的影像窗口（如 5×5 的窗口），计算下图中所示四个方向相邻像素灰度差的平方和：
其计算公式为：
其中 k =INT (w/ 2)，即窗口的一半取整。取其中最小者作为该像素(c,r)的兴趣值。
（2）给定一经验阈值，将兴趣值大于该阈值的点作为候选点。阈值的原则应 以候选点中包括的所需要的特征点而又不含过多的非特征点为原则。
（3）选取候选点中的极值点作为特征点。在一定大小的窗口内，将候选点中兴趣值不是最大者均去掉，仅留下一个兴趣值最大者，该像素即为一个特征点（抑制局部非最大）。
; 二、基于C语言的算法描述
1.影像数据介绍
已知同一地点的左右两张 bmp 格式的影像，其中左影像的大小为 1023x942px，右影像的大小为 805×887 px,如下图所示：
; 2.编程思路
- 使用 OpenCV 以灰度图的方式读取目标影像（左）；
- 定义一个指定大小的兴趣值窗口wxw，其一半大小为k = int(w/ 2)；
- 定义与目标图像相同大小的单通道兴趣值矩阵valueMat ，用来存储每个像素的兴趣值（外围像素由于无法计算则默认为 0）；
- 以图像左上角为原点，从图像的第(k, k) 个元素开始，滑动此窗口，同时计算每个窗口中心像素四个方向相邻像素的灰度差平方和，并选取最小值作为中心像素的兴趣值，接着将其存入valueMat ，这样就把兴趣值及其坐标关联起来；
- 定义一个抑制窗口m x m ，其一半大小为n = int(m / 2) ；
- 定从valueMat 矩阵的第(n, n) 像素开始，以其为中心滑动抑制窗口，选出窗口内兴趣值最大的像素点，若其兴趣值大于给定阈值，则其作为特征点。为了避免特征点的重叠，该抑制窗口的大小可以设置得稍大一些。这样就得到了特征点的坐标(x, y)，将其存入 vector 数组；
- 以 RGB 方式重新读取目标影像（为了标记效果明显），遍历 vector 特征点数组，将其标记在新的目标影像中即得到目标影像特征点提取结果。
3.特征点提取算法阈值设定分析
- 首先，统计每个抑制窗口内最大兴趣值，并进行可视化：
- 进一步，对其进行细化得到如下图：
设置兴趣值窗口为7，已知窗口为21，调节阈值得到如下结果： - 阈值threshold=1000:
- 阈值threshold=1500,2000:
结论：最后分析以上三图，可知当阈值为 1000 时的非明显特征点较多，因此应当提高阈值，结合散点图，阈值应该大于 1500,当阈值等于 1500 时，图像仍存在一些非特征点；当阈值提到到 2000 时，虽然非明显特征点被舍去，但是一些明显特征点也被舍去（如图九，图十中红圈所示），因此阈值应该介于 1500-2000。最终结合视觉效果，阈值选为 1700：
; 4.窗口大小对特征点提取结果的影响
1.兴趣值窗口：
- 兴趣值窗口直接影响 Moravec 算子提取的特征点的个数，兴趣值窗口直接影响 Moravec 算子提取的特征点的个数：
兴趣值窗口特征点个数556277889*9133
2.抑制窗口：
- 影响特征点的密度，密度越低，特征点的个数越少。
三、代码实现
1.OpenCV的配置
-
OpenCV的配置见文章：VS2015OpenCV的配置.
-
提取码：howo
2.C语言代码
#include"stdafx.h"
#include
#include
#include
#include
#include
#include
#include
#include
using namespace std;
using namespace cv;
Mat Moravec(Mat srcImg, int winSize, int threshold, int restrainWinSize, vector <Point3f> &featurePt);
int main()
{
string image_path= "u0369_panLeft.bmp";
Mat img_source = imread(image_path, IMREAD_GRAYSCALE);
if (img_source.empty())
{
cout<<"Could not read the imageL"<<endl;
system("pause");
return 1;
}
int winSize = 9;
vector <Point3f> featurePt1;
cout<<"正在进行影像特征点随机提取...."<<endl;
clock_t start1 = clock();
Mat featureImg = Moravec(img_source, winSize, 1700,21,featurePt1);
clock_t finish1 = clock();
cout << "耗时：" << (double)(finish1 - start1) / CLOCKS_PER_SEC << "s" << endl;
imshow("特征点提取影像(左)", featureImg);
waitKey(0);
imwrite("featureImg1.jpg", featureImg);
cout << "保存到当前文件目录中" << "featureImg1.jpg" << endl;
return 0;
}
Mat Moravec(Mat srcImg, int winSize, int threshold, int restrainWinSize,vector <Point3f> &featurePt)
{
int rows = srcImg.rows;
int cols = srcImg.cols;
int k = winSize / 2;
Mat valueMat = Mat::zeros(srcImg.rows, srcImg.cols, CV_32FC1);
for (int c = k; c < srcImg.rows - k; c++)
{
for (int r = k; r < srcImg.cols - k; r++)
{
int V1 = 0, V2 = 0, V3 = 0, V4 = 0;
for (int i = -k; i k - 1; i++)
{
V1 += (srcImg.at<uchar>(c + i, r) - srcImg.at<uchar>(c + i + 1, r))*(srcImg.at<uchar>(c + i, r) - srcImg.at<uchar>(c + i + 1, r));
V2 += (srcImg.at<uchar>(c + i, r + i) - srcImg.at<uchar>(c + i + 1, r + i + 1))*(srcImg.at<uchar>(c + i, r + i) - srcImg.at<uchar>(c + i + 1, r + i + 1));
V3 += (srcImg.at<uchar>(c, r + i) - srcImg.at<uchar>(c, r + i + 1))*(srcImg.at<uchar>(c, r + i) - srcImg.at<uchar>(c, r + i + 1));
V4 += (srcImg.at<uchar>(c + i, r - i) - srcImg.at<uchar>(c + i + 1, r - i - 1))*(srcImg.at<uchar>(c + i, r - i) - srcImg.at<uchar>(c + i + 1, r - i - 1));
}
float IV = min(min(V1, V2), min(V3, V4));
valueMat.at<float>(c, r) = IV;
}
}
int windowSize = restrainWinSize;
int halfWindow = windowSize / 2;
for (int y = halfWindow; y < valueMat.rows - halfWindow; y += windowSize)
{
for (int x = halfWindow; x < valueMat.cols - halfWindow; x += windowSize)
{
float max = 0;
bool Flag = 0;
Point3f pt;
pt.x = -1;
pt.y = -1;
pt.z = 0;
for (int i = -halfWindow; i halfWindow; i++)
{
for (int j = -halfWindow; j halfWindow; j++)
{
float value;
value = valueMat.at<float>(y + i, x + j);
if (value > max)
{
max = value;
pt.x = x + j;
pt.y = y + i;
pt.z = value;
Flag = 1;
}
}
}
if (Flag == 1 && max >threshold)
{
featurePt.push_back(pt);
}
}
}
string image_path = "u0369_panLeft.bmp";
Mat img_source = imread(image_path, IMREAD_COLOR);
int radius = 4;
for (int i = 0; i < featurePt.size(); i++)
{
int xx = featurePt.at(i).x;
int yy = featurePt.at(i).y;
circle(img_source, Point(xx, yy), radius, Scalar(0, 255, 255), 1, CV_AA);
putText(img_source, to_string(i), Point(xx+2, yy-2), FONT_HERSHEY_SIMPLEX, 0.4, CV_RGB(255, 0, 0), 1.8, CV_AA);
line(img_source, Point(xx - radius - 1, yy), Point(xx + radius + 1, yy), Scalar(0,255 , 255), 1, CV_AA);
line(img_source, Point(xx, yy - radius - 1), Point(xx, yy + radius + 1), Scalar(0,255, 255), 1, CV_AA);
}
return img_source;
}
- 评价：提取的特征点的在信息丰富的区域很集中，而贫乏区域几乎没有的特点，如最左边几乎没有特征点。
- 特征点提取需要控制特征点的密度，在整幅影像中按一定比例选取特征点，并将极值点周围的其他点去掉，这种方法选取的点集中在信息丰富的区域，而在信息贫乏的区域则没有点或很少点。因此为了控制特征点的密度，就需要调节 Moravec 算子中抑制窗口的大小，来减少极值点周围的其他点。
3.最终提取结果图
左影像：
; 四、均匀特征点提取
1.保持兴趣值窗口为 7，阈值设为 0，抑制窗口为 100 (很大就行，目的就是抑制完全周围一定范围的点，相当于画了格网一样)，这种方法就相当于把整幅图像均匀分割成许多 100*100 的小图像，然后每个小图像里选取一个特征点。这种方法得到的特征点分布均匀，但是有些非特征点也会被提取出来（仅需修改上述代码的窗口、阈值等即可）。
2.结果图如下：
五、影像相关系数匹配
待续：基于Moravec算子的影像相关系数匹配：
匹配结果：
后续已更新：Moravec（莫拉维克）影像特征点提取之相关系数影像匹配
2021.12.25.
Original: https://blog.csdn.net/qq_46877697/article/details/122147221
Author: 山 沐
Title: Moravec（莫拉维克）影像特征点提取（含原理与C代码）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/631794/
转载文章受原作者版权保护。转载请注明原作者出处！