计算机视觉 OpenCV Android | 特征检测与匹配之角点检测——Harris角点检测与Shi-Tomasi角点检测...

本文要点总结（俩算法的联系与区别）

Harris角点检测与Shi-Tomasi角点检测都是经典的角点特征提取算法，
但两者在API的使用上有出入（详见文中代码或GitHub项目）；

• Harris角点检测的API，返回/输出的是一个与输入图像大小一致的Mat对象，
  这个Mat对象的每一个坐标（i，j）都是对应输入图像对应坐标（i，j）的像素的响应值R，
  要先将这个Mat对象归一化，
  再循环每一个Mat数据元素，一 一 跟自己设置的阈值进行比较，
  合格的再认为是角点并提取出来，
  进行绘制和保存；

• 与Harris角点输出不同，shi-tomasi简单多了，
  直接输出一个包含若干个（具体个数通过API形参设置）角点坐标的角点数组，（其数据类型是MatOfPoint）
  省略了很多步骤；
  遍历这个角点数组，
绘制出每个角点即可。

---

引子

• 前面两章笔记（图像操作、基本特征检测）
  主要讲述了OpenCV中图像处理模块的主要知识与API使用；

• 本章的笔记记录OpenCV中另外一个重要模块——feature2d模块，
  该模块的主要功能是检测图像的特征，
  并根据特征进行对象匹配；

• 首先，关于图像的特征，
  简单地说，特征就是边缘、角点、纹理等。

• 本章会笔记特征提取、检测与匹配相关的知识与API，
  包括角点特征检测、特征点检测、特征描述子提取，
  以及根据特征描述子去匹配、寻找特征对象。

• 本章知识会涉及较多的数学知识与公式，
  我们可以阅读一些与特征提取相关的数学知识，
  比如导数与微分、多项式与高斯公式曲线拟合，三角函数，矩阵的特征值与特征向量的简单计算等基础数学知识，
  以更好地掌握本章知识以及各个API参数意义与用法。

---

0 角点的定义与作用

基本特征检测一章中，学习了关于边缘检测的知识，
在图像边缘中，有一些特殊的像素点值得我们特别关注，
那就是图像边缘的角点，
这些角点更能反映出图像中对象的整体特征，
基于角点周围的像素块生成特征描述子可以更好地表述图像特征数据。
本文首先笔记如何提取图像的角点特征。