Opencv-C++笔记 (23) :图像特征提取（Harris角点检测、Shi-Tomasi角点检测、自定义角点检测）

一、常用图像特征描述

SIFT、SURF、HOG、Haar、LBP、KAZE、AKAZE、BRISK

SIFT

是用于描述图像中的局部特征，在空间尺度（使用高斯卷积核实现多尺度空间）中寻找极值点(LoG近似DoG找到关键点)，并且提取出其位置、尺度、旋转不变量，因此具有尺度和旋转不变的性质

SURF

与sift的算法相似，只是sift算法更加稳定，检测得到的特征点更多。但是surf的运算简单，运算时间更短一些。 surf最大的特点是采用HARR 特征以及积分图像。

HOG

方向梯度直方图。用来表示图像的物体特征，算法流程如下： 【图像预处理：伽马校正和灰度化】 -> 【计算每一个像素点的梯度值，得到梯度图】
-> 【计算梯度直方图】 -> 【对16*16大小的block归一化】 -> 【得到HOG特征向量】

Haar

Haar特征是一种反映图像的灰度变化的，像素分模块求差值的一种特征。它分为三类：边缘特征、线性特征、中心特征和对角线特征。用黑白两种矩形框组合成特征模板，矩形特征只对一些简单的图形结构，如边缘、线段较敏感，所以只能描述在特定方向（水平、垂直、对角）上有明显像素模块梯度变化的图像结构。

详情查看：https://blog.csdn.net/lanxuecc/article/details/52222369

LBP

LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala,M.Pietikäinen, 和D. Harwood 在1994年提出，用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征；
详情查看：https://blog.csdn.net/xidianzhimeng/article/details/19634573

KAZE

KAZE Features 算法是由法国学者在在2012年的ECCV会议 (论文) 中提出的， 是一种比SIFT更稳定的特征检测算法。KAZE特征检测是在图像域中进行非线性扩散处理的过程。

SITF、SURF算法是通过线性尺度空间，在线性尺度空间来检测特征点的，容易造成边界模糊和细节丢失；而KAZE算法是通过构造非线性尺度空间，并在非线性尺度空间来检测特征点，保留了更多的图像细节。
KAZE算法主要包括以下步骤：
(1) 非线性尺度空间的构建；
(2) 特征点的检测与精确定位；
(3) 特征点主方向的确定；
(4) 特征描述子的生成。
关于详情查看：https://www.cnblogs.com/xinyuyuanm/archive/2013/03/25/2980817.html

AKAZE

AKAZE是KAZE的加速版本。KAZE在构建非线性空间的过程中很耗时。 在非线性扩散滤波方面：AKAZE中将Fast Explicit
Diffusion(FED)加入到金字塔框架可以dramatically speed-up。
在描述子方面：AKAZE使用了更高效的Modified Local Difference
Binary(M-LDB)，可以从非线性空间中利用梯度信息gradient
information。M-LDB是旋转和尺度不变的，并且对内存的要求更低。
详情链接：https://blog.csdn.net/zcg1942/article/details/84570068
论文及github地址：http://www.robesafe.com/personal/pablo.alcantarilla/kaze.html
在AKAZE算法中默认使用二进制描述符，故汉明距离进行比较

BRISK

Binary Robust Invariant Scalable
Keypoints。它是一种二进制的特征描述算子。它具有较好的旋转不变性、尺度不变性，较好的鲁棒性等。在对有较大模糊的图像配准时，BRISK算法在其中表现最为出色。
在图像配准应用中，速度比较：SIFT<SURF<BRISK<FREAK<ORB。
详情查看：https://www.cnblogs.com/welen/articles/6088639.html、https://blog.csdn.net/Daker_Huang/article/details/84960704 算法流程：
1.特征点检测（建立尺度空间、特征点检测、非极大值抑制、亚像素插值）
2.特征点描述（高斯滤波、局部梯度计算、特征描述符）
3.匹配方法（汉明距离进行比较）
图像特征描述子用于: Detection、Description、Matching

二、Harris角点检测

988 年的文章《A CombinedCorner and Edge Detector》中就已经提出了焦点检测的方法，被称为Harris 角点检测。
关于理论详情请查看：OpenCV—python 角点特征检测之一（cornerHarris、Shi-Tomasi、FAST）

void cornerHarris(
InputArray src, 　　　 输入图像
OutputArray dst, 　 　 输出图像
int blockSize,　　　　　计算时候的矩阵大小
int ksize, 　　　　　　　窗口大小
double k,　　　　　　　阈值：计算角度响应时候的参数大小，默认在0.04~0.06
int borderType = BORDER_DEFAULT 　　边界处理
)

#pragma once
#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;


class ImageFeature {
   
   
public:
	void harris_demo(Mat& image);
	void shi_tomasi_demo(Mat& image);
	void custome_corner_demo(Mat& image);
};

#include "image_feature_all.h"



int main(int argc, char** argv) {
   
   
	const char* img_path = "D:\\Desktop\\xiaomuren.jpg";
	Mat image = imread(img_path);
	if (image.empty()) {
   
   
		cout << "图像数据为空，读取文件失败！" << endl;
	}
	ImageFeature imgfeature;
	imgfeature.harris_demo(image);
	imgfeature.shi_tomasi_demo(image);
	imgfeature.custome_corner_demo(image);

	imshow("image", image);
	waitKey(0);
	destroyAllWindows();
	return 0;
}

演示Harris角点检测

#include "image_feature_all.h"

void ImageFeature::harris_demo(Mat& image) {
   
   
	Mat gray_img