OpenCV_Corner Detect with FastFeatureDetector(基于FAST的角点检测) 及 SUSAN算子

目录

一. 概念

Fast角点检测内部实现：

优缺点：

二. 代码

三. 运行结果

四. 拓展对比_SUSAN算子

          简介:

内部实现：

计算步骤：

优缺点：

一. 概念 Fast角点检测内部实现：

cv:FastFeatureDectctor

    Harris算法的一个简化: 利用少数像素比较数量，来确定是否接受一个特征点。

    通过检测候选像素，周围一圈的像素 16个点来决定是否可以接受一个特征点，如果与中心点差异较大（阈值控制）的像素可以组成一个连续的圆弧，并且弧长大于圆周长的3/4，那么我们认为找到了一个特征点。

    效率高的原因： 首先价检测周围 上下左右 4个点，如果至少有3个点的灰度值大于或小于中心像素，再去计算圆周上的其他点，如果不成立，直接舍弃。实践中，大部分像素点可以直接被舍弃，因此速度比较高。

优缺点：

优点：  运算速度快，效率高。

缺点：  当图片中的噪点较多时，它的健壮性并不好

       FAST不具备尺度不变特，

       特征点没有方向信息，失去了旋转不变性

类似算法 susan算子

二. 代码

#include "stdafx.h"
#include 
#include 
#include  //引用cv::KeyPoint 特征检测器通用接口

int main()
{
	cv::Mat image = cv::imread("../../aTestImage/Buildingsm.jpg", 0);
	std::vector  keypoints;
	cv::FastFeatureDetector fast(40);
	fast.detect(image, keypoints); 
	//检测中心点一圈圆周上16个像素 //与中心点差异较大的像素组成的圆弧 若能构成圆周的3/4，则认为找到了特征点

	cv::drawKeypoints(image, keypoints, image,cv::Scalar(255, 255,255), cv::DrawMatchesFlags::DRAW_OVER_OUTIMG);

	cv::namedWindow("FAST Features");
	cv::imshow("FAST Features", image);
	cv::waitKey(0);
    return 0;
}

三. 运行结果

四. 拓展对比_SUSAN算子 简介：

简称：Smallest Univalue Segment Assimilating Nucleus 最小核心值相似区域算子  ['suzn]

应用： 检测直线和角点

内部实现：

    opencv中： cvGoodFeaturesToTrack

    用一个圆形模板在图像上移动，若模板内的像素灰度与模板中心（被称为“核”——Nucleus）的像素灰度值之差小于一定的阈值，则认为该点与核Nucleus具有相同的灰度，满足该条件的像素组成的区域就称为USAN。根据USAN区域的大小来检测边缘、角点等特征的位置和方向信息。

    分析图像可知，边缘处的点的USAN值，小于或等于最大值一半。在边缘或角点处的USAN值最小

计算步骤：

    1.  根据相似度 （像素差值的大小），二值化圆形模板中（37个像素=6*6）的每个像素值

    2.  统计USAN区域的值 我们可以称为USAN值，反映USAN区域的大小。

    3.  使用非极大值抑制来寻找角点。计算边缘响应，通过设定一个阈值，确定边缘或角点

               提取边 = 3/4 * 最大USAN值

               角点 = 1/2 * 最大USAN值

优缺点：

优点： 

        运算量也比较小 （0 1 运算 ）

       抗噪声能力很强，基于对周边象素的灰度比较，完全不涉及梯度的运算

       既能检测边缘，又能检测角点

缺点： 

       准确性受选择阈值的影响，选择合适的阈值需要功夫。

       角点似乎比不过harris，边缘似乎比不过Canny。