【opencv】(10) 角点检测、图像金字塔

1. 角点检测

角点：角点是图像里在各个方向变化最大的区域。无论是沿水平方向或竖直方向移动过程中，整个图像的灰度级发生迅速变化。

边界：沿水平或者竖直方向移动，一个比较平稳一个比较迅速。

角点检测函数

cv2.cornerHarris(src, blockSize, ksize, k, borderType=None)

src：数据类型为float32的输入图像

blockSize：角点检测中指定窗口的大小

ksize：Sobel算子求导中使用的核大小，一般等于3

k：取值参数，取值范围[0.04,0.06]，一般使用0.04

borderType：边界的类型

原理见： 机器学习进阶-图像特征harris-角点检测 1.cv2.cornerHarris(进行角点检测) - python我的最爱 - 博客园

import cv2
import numpy as np
filepath = 'C:\\...\\opencv\\img'
#（1）读入图像
img = cv2.imread(filepath + '\\chess2.jpg')
# 转换灰度图
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 输入图像为float32类型
# gray = np.float32(gray)
# 绘图
cv2.imshow('gray',gray)
cv2.waitKey(0)
cv2.destroyWindow()
#（2）角点检测，窗口为2，核为3，系数0.04
dst = cv2.cornerHarris(gray,2,3,0.04)
# dst.max()最大值，肯定是角点
# 如果变化程度dst大于0.1倍的最大值，就认为是个角点，参数自己调
img[dst>0.1*dst.max()] = [0,0,255] #把满足要求的点标红
# 绘图
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyWindow()

---

2. 图像金字塔

原理见：Sift中尺度空间、高斯金字塔、差分金字塔（DOG金字塔）、图像金字塔

高斯金字塔

（1）向下采样（缩小），形状慢慢往里缩，下宽上窄。先将Gi与高斯内核卷积，再将所有偶数的行和列去除。长度和宽度都变成一半，从8*8变成4*4

（2）向上采样（放大），上层宽，下层窄。将图像在每个方向上扩大为原来的两倍，新增的行和列以0填充。使用同样的内核与放大后的图像卷积，获得近似值。

import cv2
import numpy as np
# 获取图片所在文件夹
filepath = 'C:\\...\\opencv\\img'
# 获取文件夹中的某一张图片，一般边缘检测使用灰度图
img = cv2.imread(filepath+'\\mh1.jpg',cv2.IMREAD_GRAYSCALE)
print(up.shape)   # (471,498)

# ==1==
# 上采样
up = cv2.pyrUp(img) # 放大
cv_show('up',up)   
print(up.shape)    # (942,996)
# 再执行一次上采样
up = cv2.pyrUp(up) # 放大
cv_show('up',up)
print(up.shape)    # (1884, 1992)

# ==2==
# 下采样
down = cv2.pyrDown(img) # 缩小
cv_show('down',down)
print(down.shape)       # (236,249)
# 再执行一次下采样
down = cv2.pyrDown(down)  # 缩小
cv_show('down',down)
print(down.shape)       # (118,125)

# ==3==
# 上采样后又变成下采样，不会变回原图像，清晰度受损，但是size相同
# 上采样过程中用0填充有损失，下采样过程中去掉一些值也有损失
up = cv2.pyrUp(img)
res = cv2.pyrDown(up)
cv_show('up-down',res)
print(res.shape)