本文为原创文章，未经本人允许，禁止转载。转载请注明出处。
1.自定义角点检测器
我们利用Harris角点检测或Shi-Tomasi角点检测中的$\lambda_1$和$\lambda_2$可以定义自己的响应函数，从而构建自定义角点检测器。
2.相关API
2.1.cv::cornerEigenValsAndVecs
用于计算矩阵$M$的特征值$\lambda_1, \lambda_2$。原理详见：Harris角点检测。
1
2
3
4
5
6
7
void cornerEigenValsAndVecs(
InputArray src,
OutputArray dst,
int blockSize,
int ksize,
int borderType = BORDER_DEFAULT
);
参数详解：
InputArray src：输入图像，为8-bit单通道或浮点型图像。OutputArray dst：输出计算得到的特征值。大小和src一样，类型为CV_32FC(6)。int blockSize：见cv::cornerHarris中的blockSize，含义和用法一样。int ksize：见cv::cornerHarris中的ksize，含义和用法一样。int borderType：边界填充方式，详见：【OpenCV基础】第十五课：边缘处理。
CV_32FC(6)的定义见下：
1
2
3
4
5
#define CV_32FC1 CV_MAKETYPE(CV_32F,1)
#define CV_32FC2 CV_MAKETYPE(CV_32F,2)
#define CV_32FC3 CV_MAKETYPE(CV_32F,3)
#define CV_32FC4 CV_MAKETYPE(CV_32F,4)
#define CV_32FC(n) CV_MAKETYPE(CV_32F,(n))
当通道数大于4时就使用括号这种表示方法来指明通道数。类似的还有CV_8UC(n)、CV_16UC(n)等等，在此不再一一列举。
dst的大小和src一样，六个通道存储了src中每一个像素点的特征值和特征向量：$(\lambda_1, \lambda_2, x_1 , y_1 , x_2,y_2)$。第1个和第2个通道存储了每个点的特征值；第3个和第4个通道存储了特征值$\lambda_1$对应的特征向量（$x_1$为$x$方向的分量，$y_1$为$y$方向的分量）；同理，第5个和第6个通道存储了特征值$\lambda_2$对应的特征向量。
2.2.cv::cornerMinEigenVal
用于计算矩阵$M$的较小特征值$\min (\lambda_1, \lambda_2)$。原理详见：Shi-Tomasi角点检测。
1
2
3
4
5
6
7
void cornerMinEigenVal(
InputArray src,
OutputArray dst,
int blockSize,
int ksize = 3,
int borderType = BORDER_DEFAULT
);
参数详解：
InputArray src：同cv::cornerEigenValsAndVecs。OutputArray dst：和src大小一样，保存每个点的最小特征值。类型为CV_32FC1。int blockSize：同cv::cornerEigenValsAndVecs。int ksize：同cv::cornerEigenValsAndVecs。int borderType：同cv::cornerEigenValsAndVecs。
