配置好OV7670，比如说输出格式为RGB565，分辨率为160X120，在程序中设置R,G,B阀值对每个像素的R,G,B进行比较，如果阀值比对OK，就输出此像素的坐标值。假若设置左上角为坐标原点（0,0），则第一行结束的坐标即为（159，0），依次对整个图像数据采集判读即可得到相应颜色的坐标值进而判读指定颜色目标的位置。
Matlab上有CANNY算子的库函数啊，直接调用就行了。我这有VC++的边缘检测算法，很长的。稍微改一下就可以用在Matlab上。
/ 一维高斯分布函数，用于平滑函数中生成的高斯滤波系数
void CFunction::CreatGauss(double sigma, double **pdKernel, int *pnWidowSize)
{
LONG i
//数组中心点
int nCenter
//数组中一点到中心点距离
double dDis
//中间变量
double dValue
double dSum
dSum = 0
// [-3*sigma,3*sigma] 以内数据，会覆盖绝大部分滤波系数
*pnWidowSize = 1+ 2*ceil(3*sigma)
nCenter = (*pnWidowSize)/2
*pdKernel = new double[*pnWidowSize]
//生成高斯数据
for(i=0i<(*pnWidowSize)i++)
{
dDis = (double)(i - nCenter)
dValue = exp(-(1/2)*dDis*dDis/(sigma*sigma))/(sqrt(2*3.1415926)*sigma)
(*pdKernel)[i] = dValue
dSum+=dValue
}
//归一化
for(i=0i<(*pnWidowSize)i++)
{
(*pdKernel)[i]/=dSum
}
}
//用高斯滤波器平滑原图像
void CFunction::GaussianSmooth(SIZE sz, LPBYTE pGray, LPBYTE pResult, double sigma)
{
LONG x, y
LONG i
//高斯滤波器长度
int nWindowSize
//窗口长度
int nLen
//一维高斯滤波器
double *pdKernel
//高斯系数与图像数据的点乘
double dDotMul
//滤波系数总和
double dWeightSum
double *pdTemp
pdTemp = new double[sz.cx*sz.cy]
//产生一维高斯数据
CreatGauss(sigma, &pdKernel, &nWindowSize)
nLen = nWindowSize/2
//x方向滤波
for(y=0y<sz.cyy++)
{
for(x=0x<sz.cxx++)
{
dDotMul = 0
dWeightSum = 0
for(i=(-nLen)i<=nLeni++)
{
//判断是否在图像内部
if((i+x)>=0 &&(i+x)<sz.cx)
{
dDotMul+=(double)pGray[y*sz.cx+(i+x)] * pdKernel[nLen+i]
dWeightSum += pdKernel[nLen+i]
}
}
pdTemp[y*sz.cx+x] = dDotMul/dWeightSum
}
}
//y方向滤波
for(x=0x<sz.cxx++)
{
for(y=0y<sz.cyy++)
{
dDotMul = 0
dWeightSum = 0
for(i=(-nLen)i<=nLeni++)
{
if((i+y)>=0 &&(i+y)<sz.cy)
{
dDotMul += (double)pdTemp[(y+i)*sz.cx+x]*pdKernel[nLen+i]
dWeightSum += pdKernel[nLen+i]
}
}
pResult[y*sz.cx+x] = (unsigned char)(int)dDotMul/dWeightSum
}
}
delete []pdKernel
pdKernel = NULL
delete []pdTemp
pdTemp = NULL
}
void CFunction::Grad(SIZE sz, LPBYTE pGray,int *pGradX, int *pGradY, int *pMag)
{
LONG y,x
//x方向的方向导数
for(y=1y<sz.cy-1y++)
{
for(x=1x<sz.cx-1x++)
{
pGradX[y*sz.cx +x] = (int)( pGray[y*sz.cx+x+1]-pGray[y*sz.cx+ x-1] )
}
}
//y方向方向导数
for(x=1x<sz.cx-1x++)
{
for(y=1y<sz.cy-1y++)
{
pGradY[y*sz.cx +x] = (int)(pGray[(y+1)*sz.cx +x] - pGray[(y-1)*sz.cx +x])
}
}
//求梯度
//中间变量
double dSqt1
double dSqt2
for(y=0y<sz.cyy++)
{
for(x=0x<sz.cxx++)
{ //二阶范数求梯度
dSqt1 = pGradX[y*sz.cx + x]*pGradX[y*sz.cx + x]
dSqt2 = pGradY[y*sz.cx + x]*pGradY[y*sz.cx + x]
pMag[y*sz.cx+x] = (int)(sqrt(dSqt1+dSqt2)+0.5)
}
}
}
//非最大抑制
void CFunction::NonmaxSuppress(int *pMag, int *pGradX, int *pGradY, SIZE sz, LPBYTE pNSRst)
{
LONG y,x
int nPos
//梯度分量
int gx
int gy
//中间变量
int g1,g2,g3,g4
double weight
double dTmp,dTmp1,dTmp2
//设置图像边缘为不可能的分界点
for(x=0x<sz.cxx++)
{
pNSRst[x] = 0
//pNSRst[(sz.cy-1)*sz.cx+x] = 0
pNSRst[sz.cy-1+x] = 0
}
for(y=0y<sz.cyy++)
{
pNSRst[y*sz.cx] = 0
pNSRst[y*sz.cx + sz.cx-1] = 0
}
for(y=1y<sz.cy-1y++)
{
for(x=1x<sz.cx-1x++)
{ //当前点
nPos = y*sz.cx + x
//如果当前像素梯度幅度为0，则不是边界点
if(pMag[nPos] == 0)
{
pNSRst[nPos] = 0
}
else
{ //当前点的梯度幅度
dTmp = pMag[nPos]
//x,y方向导数
gx = pGradX[nPos]
gy = pGradY[nPos]
//如果方向导数y分量比x分量大，说明导数方向趋向于y分量
if(abs(gy) >abs(gx))
{
//计算插值比例
weight = fabs(gx)/fabs(gy)
g2 = pMag[nPos-sz.cx]
g4 = pMag[nPos+sz.cx]
//如果x,y两个方向导数的符号相同
//C 为当前像素，与g1-g4 的位置关系为：
//g1 g2
// C
// g4 g3
if(gx*gy>0)
{
g1 = pMag[nPos-sz.cx-1]
g3 = pMag[nPos+sz.cx+1]
}
//如果x,y两个方向的方向导数方向相反
//C是当前像素，与g1-g4的关系为：
// g2 g1
// C
// g3 g4
else
{
g1 = pMag[nPos-sz.cx+1]
g3 = pMag[nPos+sz.cx-1]
}
}
//如果方向导数x分量比y分量大，说明导数的方向趋向于x分量
else
{
//插值比例
weight = fabs(gy)/fabs(gx)
g2 = pMag[nPos+1]
g4 = pMag[nPos-1]
//如果x,y两个方向的方向导数符号相同
//当前像素C与 g1-g4的关系为
// g3
// g4 C g2
// g1
if(gx * gy >0)
{
g1 = pMag[nPos+sz.cx+1]
g3 = pMag[nPos-sz.cx-1]
}
//如果x,y两个方向导数的方向相反
// C与g1-g4的关系为
// g1
// g4 C g2
// g3
else
{
g1 = pMag[nPos-sz.cx+1]
g3 = pMag[nPos+sz.cx-1]
}
}
//利用 g1-g4 对梯度进行插值
{
dTmp1 = weight*g1 + (1-weight)*g2
dTmp2 = weight*g3 + (1-weight)*g4
//当前像素的梯度是局部的最大值
//该点可能是边界点
if(dTmp>=dTmp1 &&dTmp>=dTmp2)
{
pNSRst[nPos] = 128
}
else
{
//不可能是边界点
pNSRst[nPos] = 0
}
}
}
}
}
}
// 统计pMag的直方图，判定阈值
void CFunction::EstimateThreshold(int *pMag, SIZE sz, int *pThrHigh, int *pThrLow, LPBYTE pGray,
double dRatHigh, double dRatLow)
{
LONG y,x,k
//该数组的大小和梯度值的范围有关，如果采用本程序的算法
//那么梯度的范围不会超过pow(2,10)
int nHist[1024]
//可能边界数
int nEdgeNum
//最大梯度数
int nMaxMag
int nHighCount
nMaxMag = 0
//初始化
for(k=0k<1024k++)
{
nHist[k] = 0
}
//统计直方图,利用直方图计算阈值
for(y=0y<sz.cyy++)
{
for(x=0x<sz.cxx++)
{
if(pGray[y*sz.cx+x]==128)
{
nHist[pMag[y*sz.cx+x]]++
}
}
}
nEdgeNum = nHist[0]
nMaxMag = 0
//统计经过“非最大值抑制”后有多少像素
for(k=1k<1024k++)
{
if(nHist[k] != 0)
{
nMaxMag = k
}
//梯度为0的点是不可能为边界点的
//经过non-maximum suppression后有多少像素
nEdgeNum += nHist[k]
}
//梯度比高阈值*pThrHigh 小的像素点总书目
nHighCount = (int)(dRatHigh * nEdgeNum + 0.5)
k=1
nEdgeNum = nHist[1]
//计算高阈值
while((k<(nMaxMag-1)) &&(nEdgeNum <nHighCount))
{
k++
nEdgeNum += nHist[k]
}
*pThrHigh = k
//低阈值
*pThrLow = (int)((*pThrHigh) * dRatLow + 0.5)
}
//利用函数寻找边界起点
void CFunction::Hysteresis(int *pMag, SIZE sz, double dRatLow, double dRatHigh, LPBYTE pResult)
{
LONG y,x
int nThrHigh,nThrLow
int nPos
//估计TraceEdge 函数需要的低阈值，以及Hysteresis函数使用的高阈值
EstimateThreshold(pMag, sz,&nThrHigh,&nThrLow,pResult,dRatHigh,dRatLow)
//寻找大于dThrHigh的点，这些点用来当作边界点，
//然后用TraceEdge函数跟踪该点对应的边界
for(y=0y<sz.cyy++)
{
for(x=0x<sz.cxx++)
{
nPos = y*sz.cx + x
//如果该像素是可能的边界点，并且梯度大于高阈值，
//该像素作为一个边界的起点
if((pResult[nPos]==128) &&(pMag[nPos] >= nThrHigh))
{
//设置该点为边界点
pResult[nPos] = 255
TraceEdge(y,x,nThrLow,pResult,pMag,sz)
}
}
}
//其他点已经不可能为边界点
for(y=0y<sz.cyy++)
{
for(x=0x<sz.cxx++)
{
nPos = y*sz.cx + x
if(pResult[nPos] != 255)
{
pResult[nPos] = 0
}
}
}
}
//根据Hysteresis 执行的结果，从一个像素点开始搜索，搜索以该像素点为边界起点的一条边界的
//一条边界的所有边界点，函数采用了递归算法
// 从（x,y)坐标出发，进行边界点的跟踪，跟踪只考虑pResult中没有处理并且可能是边界
// 点的像素（=128），像素值为0表明该点不可能是边界点，像素值为255表明该点已经是边界点
void CFunction::TraceEdge(int y, int x, int nThrLow, LPBYTE pResult, int *pMag, SIZE sz)
{
//对8邻域像素进行查询
int xNum[8] = {1,1,0,-1,-1,-1,0,1}
int yNum[8] = {0,1,1,1,0,-1,-1,-1}
LONG yy,xx,k//循环变量
for(k=0k<8k++)
{
yy = y+yNum[k]
xx = x+xNum[k]
if(pResult[640 * (479 - yy)+xx]==128 &&pMag[640 * (479 - yy)+xx]>=nThrLow )
{
//该点设为边界点
pResult[640 * (479 - yy)+xx] = 255
//以该点为中心再进行跟踪
TraceEdge(yy,xx,nThrLow,pResult,pMag,sz)
}
}
}
// Canny算子
BOOL CFunction::Canny(LPBYTE m_pDibData,CPoint ptLeft, CPoint ptRight , double sigma, double dRatLow, double dRatHigh)
{
BYTE* m_Newdata//每一步处理后的图像数据
m_Newdata = (BYTE*)malloc(maxImage)
memcpy(m_Newdata,(BYTE *)m_pDibData,maxImage)
//经过抑制局部像素非最大值的处理后的数据
BYTE* pResult//每一步处理后的图像数据
pResult = (BYTE*)malloc(maxImage)
memcpy(pResult,(BYTE *)m_pDibData,maxImage)
int pointy,pointx,m,n,i=0
long Position
int GradHori
int GradVert
//存储结构元素的数组
BYTE array[9]={0}
//设定两个阈值
int nThrHigh,nThrLow
//梯度分量
int gx
int gy
//中间变量
int g1,g2,g3,g4
double weight
double dTmp,dTmp1,dTmp2
int Width,Higth
Width=ptRight.x-ptLeft.x+1
Higth=ptRight.y-ptLeft.y+1
CSize sz=CSize(Width,Higth)
//x方向导数的指针
int *pGradX= new int[maxImage]
memset(pGradX,0,maxImage)
//y方向
int *pGradY
pGradY = new int [maxImage]
memset(pGradY,0,maxImage)
//梯度的幅度
int *pGradMag
pGradMag = new int [maxImage]
//对pGradMag进行初始化
for (pointy = 0pointy <480pointy++)
{
for (pointx = 0pointx <640 pointx++)
{
Position=640 * (479 - pointy)+pointx
pGradMag[Position]=m_pDibData[Position]
}
}
//第一步进行高斯平滑器滤波
//进入循环,使用3*3的结构元素，处理除去第一行和最后一行以及第一列和最后一列。
for (pointy = ptLeft.y+1pointy <= ptRight.y-1pointy++)
{
for (pointx = ptLeft.x+1pointx <= ptRight.x-1pointx++)
{
Position=640 * (479 - pointy)+pointx
for (m = 0m <3m++)
{
for (n = 0n <3n++)
{
array[m*3+n]=m_pDibData[Position+640*(1-m)+n-1]
}
}
GradHori=abs(array[0]+2*array[1]+array[2]+2*array[3]+4*array[4]+2*array[5]+array[6]+2*array[7]+array[8])
GradHori=(int)(0.0625*GradHori+0.5)
if (GradHori>255)
{
m_Newdata[Position]=255
}
else
m_Newdata[Position]=GradHori
}
}
//第二步用一阶偏导的有限差分来计算梯度的幅值和方向
//x方向的方向导数
for (pointy = ptLeft.y+1pointy <= ptRight.y-1pointy++)
{
for (pointx = ptLeft.x+1pointx <= ptRight.x-1pointx++)
{
pGradX[pointy*Width +pointx]=(int)(m_Newdata[pointy*Width +pointx+1]- m_Newdata[pointy*Width +pointx-1] )
}
}
//y方向方向导数
for (pointx = ptLeft.x+1pointx <= ptRight.x-1pointx++)
{
for (pointy = ptLeft.y+1pointy <= ptRight.y-1pointy++)
{
pGradY[pointy*Width +pointx] = (int)(m_Newdata[(pointy+1)*Width +pointx] - m_Newdata[(pointy-1)*Width +pointx])
}
}
//求梯度
for (pointy = ptLeft.y+1pointy <= ptRight.y-1pointy++)
{
for (pointx = ptLeft.x+1pointx <= ptRight.x-1pointx++)
{
Position=640 * (479 - pointy)+pointx
for (m = 0m <3m++)
{
for (n = 0n <3n++)
{
array[m*3+n]=m_Newdata[Position+640*(1-m)+n-1]
}
}
GradHori=abs((-1)*array[0]+(-2)*array[3]+2*array[7]+array[8])
GradVert=abs((-1)*array[0]-2*array[1]+2*array[5]+array[8])
GradHori =(int)((float)sqrt(pow(GradHori,2)+pow(GradVert,2))+0.5)
pGradMag[Position]=GradHori
}
}
//针对第一行的像素点及最后一行的像素点
for (pointx = ptLeft.xpointx <= ptRight.xpointx++)
{
Position=640 * (479 - ptLeft.y)+pointx
pGradMag[Position]=0
Position=640 * (479 - ptRight.y)+pointx
pGradMag[Position]=0
}
//针对第一列以及最后一列的像素点
for (pointy = ptLeft.y+1pointy <= ptRight.y-1pointy++)
{
Position=640 * (479 - pointy)+ptLeft.x
pGradMag[Position]=0
Position=640 * (479 - pointy)+ptRight.x
pGradMag[Position]=0
}
//第三步进行抑制梯度图中的非局部极值点的像素
for (pointy = ptLeft.y+1pointy <= ptRight.y-1pointy++)
{
for (pointx = ptLeft.x+1pointx <= ptRight.x-1pointx++)
{ //当前点
Position=640 * (479 - pointy)+pointx
//如果当前像素梯度幅度为0，则不是边界点
if(pGradMag[Position] == 0)
{
pGradMag[Position] = 0
}
else
{ //当前点的梯度幅度
dTmp = pGradMag[Position]
//x,y方向导数
gx = pGradX[Position]
gy = pGradY[Position]
//如果方向导数y分量比x分量大，说明导数方向趋向于y分量
if(abs(gy) >abs(gx))
{
//计算插值比例
weight = fabs(gx)/fabs(gy)
g2 = pGradMag[Position-640]
g4 = pGradMag[Position+640]
//如果x,y两个方向导数的符号相同
//C 为当前像素，与g1-g4 的位置关系为：
//g1 g2
//C
//g4 g3
if(gx*gy>0)
{
g1 = pGradMag[Position-640-1]
g3 = pGradMag[Position+640+1]
}
//如果x,y两个方向的方向导数方向相反
//C是当前像素，与g1-g4的关系为：
// g2 g1
// C
// g3 g4
else
{
g1 = pGradMag[Position-640+1]
g3 = pGradMag[Position+640-1]
}
}
//如果方向导数x分量比y分量大，说明导数的方向趋向于x分量
else
{
//插值比例
weight = fabs(gy)/fabs(gx)
g2 = pGradMag[Position+1]
g4 = pGradMag[Position-1]
//如果x,y两个方向的方向导数符号相同
//当前像素C与 g1-g4的关系为
// g3
// g4 C g2
// g1
if(gx * gy >0)
{
g1 = pGradMag[Position+640+1]
g3 = pGradMag[Position-640-1]
}
//如果x,y两个方向导数的方向相反
// C与g1-g4的关系为
// g1
// g4 C g2
// g3
else
{
g1 =pGradMag[Position-640+1]
g3 =pGradMag[Position+640-1]
}
}
//利用 g1-g4 对梯度进行插值
{
dTmp1 = weight*g1 + (1-weight)*g2
dTmp2 = weight*g3 + (1-weight)*g4
//当前像素的梯度是局部的最大值
//该点可能是边界点
if(dTmp>=dTmp1 &&dTmp>=dTmp2)
{
pResult[Position] = 128
}
else
{
//不可能是边界点
pResult[Position] = 0
}
}
}
}
}
//第四步根据梯度计算及经过非最大值得印制后的结果设定阈值
//估计TraceEdge 函数需要的低阈值，函数使用的高阈值
EstimateThreshold(pGradMag, sz,&nThrHigh,&nThrLow,pResult,dRatHigh,dRatLow)
//寻找大于dThrHigh的点，这些点用来当作边界点，
//然后用TraceEdge函数跟踪该点对应的边界
for (pointy = ptLeft.y+1pointy <= ptRight.y-1pointy++)
{
for (pointx = ptLeft.x+1pointx <= ptRight.x-1pointx++)
{
Position=640 * (479 - pointy)+pointx
//如果该像素是可能的边界点，并且梯度大于高阈值，
//该像素作为一个边界的起点
if((pResult[Position]==128) &&(pGradMag[Position] >= nThrHigh))
{
//设置该点为边界点
pResult[Position] = 255
TraceEdge(pointy,pointx,nThrLow,pResult,pGradMag,sz)
}
}
}
//其他点已经不可能为边界点
for (pointy = ptLeft.y+1pointy <= ptRight.y-1pointy++)
{
for (pointx = ptLeft.x+1pointx <= ptRight.x-1pointx++)
{
Position=640 * (479 - pointy)+pointx
if(pResult[Position] != 255)
{
pResult[Position] = 0
}
}
}
//计算方向导数和梯度的幅度
// Grad(sz,pGaussSmooth,pGradX,pGradY,pGradMag)
//应用非最大抑制
// NonmaxSuppress(pGradMag,pGradX,pGradY,sz,pResult)
//应用Hysteresis，找到所有边界
// Hysteresis(pGradMag,sz,dRatLow,dRatHigh,pResult)
memcpy(m_pDibData,(BYTE *)pResult,maxImage)
delete[] pResult
pResult = NULL
delete[] pGradX
pGradX = NULL
delete[] pGradY
pGradY = NULL
delete[] pGradMag
pGradMag = NULL
delete[] m_Newdata
m_Newdata = NULL
return true
}
角点检测(Corner Detection)是计算机视觉系统中用来获得图像特征的一种方法，广泛应用于运动检测、图像匹配、视频跟踪、三维建模和目标识别等领域中。也称为特征点检测。 角点通常被定义为两条边的交点，更严格的说，角点的局部邻域应该具有两个不同区域的不同方向的边界。而实际应用中，大多数所谓的角点检测方法检测的是拥有特定特征的图像点，而不仅仅是“角点”。这些特征点在图像中有具体的坐标，并具有某些数学特征，如局部最大或最小灰度、某些梯度特征等。
这些角点通常在图像中是稳定存在的。角点的微小偏移就能反映出图像帧的相对运动。
Harris角点检测算法就是对角点响应函数R进行阈值处理：R >threshold，即提取R的局部极大值。
特点：具有角度不变性
SIFT克服了Harris的不足，缩放也没影响，具有尺度不变性。
特点：角度不变性，尺度不变性
SURF是SIFT的加速版，它善于处理具有模糊和旋转的图像，但是不善于处理视角变化和光照变化。在SIFT中使用DoG对LoG进行近似，而在SURF中使用盒子滤波器对LoG进行近似，这样就可以使用积分图像了（计算图像中某个窗口内所有像素和时，计算量的大小与窗口大小无关）。总之，SURF最大的特点在于采用了Haar特征以及积分图像的概念，大大加快了程序的运行效率。
特点：角度不变性，尺度不变性
更多
ORB（Oriented FASTand Rotated BRIEF）算法是目前最快速稳定的特征点检测和提取算法，许多图像拼接和目标追踪技术利用ORB特征进行实现。
ORB采用FAST（features from accelerated segment test）算法来检测特征点，采用BRIEF算法来计算一个特征点的描述子。
特点：角度不变性，尺度不变性，计算速度快（ORB是sift的100倍，是surf的10倍）
1、OpenCV版本
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）