OpenCV Harris Corner检测与改进示例

"这篇文章主要介绍了如何使用OpenCV库中的Harris角点检测方法来找到图像中的关键特征（good features），并解决在OpenCV 2.4.2版本中因模块改变导致的问题。" Harris角点检测是一种在计算机视觉领域广泛应用的特征检测技术，它能有效地识别图像中具有显著变化的点，这些点通常对应于图像中的边缘、角点或其他有意义的结构。OpenCV库提供了实现Harris角点检测的函数，但在不同版本之间，函数所在的模块可能会有所调整。 在OpenCV 2.4.2版本中，`SURF`等特征检测算法不再属于`feature2d`模块，而是被移动到了`legacy`和`nonfree`模块。因此，在使用Harris角点检测时，需要更新引用，以确保代码能够正确运行。本文给出的示例代码对引入内容和改进的Harris算法进行了详细注释，方便开发者理解和应用。 `harris`类是这段代码的核心，包含了几个重要的成员变量和方法： 1. `cv::Mat cornerStrength`：存储Harris响应矩阵，即计算得到的每个像素点的Harris得分。 2. `cv::Mat cornerTh`：用于设置阈值，将Harris响应矩阵转换为二值图像，以确定角点位置。 3. `cv::Mat localMax`：存储经过非极大值抑制后的角点位置，确保选取的是局部最大的特征点。 4. `neighbourhood`、`aperture`：分别表示邻域大小和Sobel算子的孔径大小，影响角点检测的精度和速度。 5. `k`：Harris算法中的常数，用于计算响应矩阵。 6. `maxStrength`、`threshold`：分别表示Harris响应的最大值和设定的阈值，用于角点检测的筛选。 7. `nonMaxSize`：非极大值抑制窗口的大小，通常设置为3，以抑制附近的非最大值点。 8. `kernel`：用于膨胀操作的结构元素，帮助确定局部最大值。 `harris`类的方法包括： 1. `setLocalMaxWindowSize`：设置非极大值抑制窗口大小。 2. `detect`：核心的角点检测函数，调用`cv::cornerHarris`进行计算，并进行后续处理，如最小值和最大值的获取，膨胀操作以及非极大值抑制。 3. `getCornerMap`：根据质量级别返回角点地图，通过设置阈值来过滤低质量的特征点。 这篇文章通过一个具体的`harris`类示例，详细讲解了如何在OpenCV中使用Harris角点检测算法找到图像的兴趣点，并处理因版本变更引起的问题，对于学习和应用OpenCV进行特征检测的开发者来说具有很高的参考价值。