目录
一、基础理论
在拼图时，我们要寻找一些唯一的特征，这些特征要适于被跟踪，容易被比较。我们在一副图像中搜索这样的特征，找到它们，而且也能在其他图像中找到这些特征，然后再把它们拼接到一起。我们的这些能力都是天生的。
角点是图像很重要的特征，对图像图形的理解和分析有很重要的作用。角点在三维场景重建运动估计，目标跟踪、目标识别、图像配准与匹配等计算机视觉领域起着菲常重要的作用。在现实世界中，角点对应于物体的拐角，道路的十字路口、丁字路口等。（角点易区分）
图像特征：要有区分性，容易被比较，一般认为角点、斑点等是较好的图像特征。
特征检测︰找到图像中的特征。
特征描述：对特征及其周围的区域进行描述。
推荐Shi-Tomas算法。
二、Harris角点检测
1、基础理论
1、原理
Harris角点检测的思想是通过图像的局部的小窗口观察图像，角点的特征：窗口沿任意方向移动都会导致图像灰度的明显变化，如下图所示：
2、公式推导
（角点是最大值）
可知M矩阵决定了E(u,v)最大值，所以可以通过求M矩阵来求E(u,v)最大值，即角点。
3、理论结果判定
（
和
分别是椭圆的长、短半轴）（也算是x和y方向的延伸）
结果分三种情况：
1、两个特征值都很大：角点
2、一个特征值大： 边缘
3、两个特征值都很小： 平坦区域
以上便是理论上的角点判断，下面讲一下实际判断方式：
4、实际结果判定
Harris给出的角点计算方法并不需要计算具体的特征值，而是计算一个角点响应值R来判断角点。
R的计算公式为：R = det(M) − k(trace(M))^2
公式：R = λ1λ2 − k(λ1+λ2)^2
式中，detM为矩阵M的行列式；traceM为矩阵M的迹；
为常数，取值范围为0.04~0.06。事实上，特征是隐含在detM和traceM中，因为：
（λ1 和 λ2 是 M 的特征值 ）
最终判定：
R>0：角点（大数值）
R<0：边缘（大树值负数）
R>0：平坦区域（小数）
2、函数
dst=cv.cornerHarrisisrc, blockSize, ksize,k)img：数据类型为float32的输入图像。
blockSize：角点检测中要考虑的邻域大小。
ksize：sobel求导使用的核大小。
k ：角点检测方程中的自由参数，取值参数为[0.04，0.06]。
dst = cv.cornerHarris(gray, 2, 3, 0.01) # 邻域大小 核 k取值（k越大，角越少）要求：1、灰度图 2、float32类型
3、代码
# Harris角点检测
def Harris():
# 1、转灰度图
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 2、转float32（Harris输入图像必须是float32）
gray = np.float32(gray)
# 3、角点检测
dst = cv.cornerHarris(gray, 2, 3, 0.01)
# 邻域大小 核 k取值（k越大，角越少）
# 4、角点显色（最佳值的阈值可能因图像而异）
img[dst > 0.01*dst.max()] = [0,0,255]
cv.imshow('Harris',img)4、效果
(感觉结果差了点，角点不仔细看都看不清楚，至少下面经过优化的Shi-Tomas的算法能让人眼前一亮）
三、Shi-Tomas角点检测（Harris的改进）
1、基础理论
Shi-Tomas算法是对Harris角点检测算法的改进，一般会比Harris算法得到更好的角点。
Harris：算法的角点响应函数是将矩阵M的行列式值与M的迹相减，利用差值判断是否为角点。公式：R = λ1λ2 − k(λ1+λ2)^2
Shi-Tomas：若矩阵M的两个特征值中较小的一个大于阈值，则认为他是角点。（小值大于阈值）
公式：R = min(λ1, λ2)
只有当 λ1 和 λ2 大于最小值 λmin 时，才将其视为拐角（绿色区域）
2、函数
corners = cv2.goodFeaturesToTrack (image，maxcorners，qualityLevel, minDistance )lmage：输入灰度图像。
maxCorners ：获取角点数的数目。
qualityLevel：该参数指出最低可接受的角点质量水平，在0-1之间。
minDistance:角点之间最小的欧式距离，避免得到相邻特征点。
有些点无法正常显示，要注意角点最大数量是否足够，这个函数能设置角点的最大数量。
3、代码
# Shi-Tomas角点检测（Harris的优化）
def Shi_Tomas():
# 1、灰度化
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 2、角点检测（返回坐标）
corners = cv.goodFeaturesToTrack(gray, 300, 0.01, 10)
# 最多角点数 角点质量水平 角点之间最小距离
corners = np.int0(corners) # 浮点型化整形
# 3、遍历每个角点坐标并画点
for i in corners:
x, y = i.ravel() # 取出横纵坐标
cv.circle(img, (x, y), 3, (0, 0, 255), -1) # 画点
# 圆心 半径 颜色 厚度
# 4、显示
cv.imshow('Shi-Tomas', img)4、效果
（效果显而易见，推荐Shi-Tomas算法）
总代码
# 角点检测（Harris和Shi-Tomas）
import numpy as np
import cv2 as cv
# Harris角点检测
def Harris():
# 1、灰度化
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 2、转float32（Harris输入图像必须是float32）
gray = np.float32(gray)
# 3、角点检测
dst = cv.cornerHarris(gray, 2, 3, 0.01)
# 邻域大小 核 k取值（k越大，角越少）
# 4、角点显色（最佳值的阈值可能因图像而异）
img[dst > 0.01*dst.max()] = [0,0,255]
cv.imshow('Harris',img)
# Shi-Tomas角点检测（Harris的优化）
def Shi_Tomas():
# 1、灰度化
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 2、角点检测（返回坐标）
corners = cv.goodFeaturesToTrack(gray, 300, 0.01, 10)
# 最多角点数 角点质量水平 角点之间最小距离
corners = np.int0(corners) # 浮点型化整形
# 3、遍历每个角点坐标并画点
for i in corners:
x, y = i.ravel() # 取出横纵坐标
cv.circle(img, (x, y), 3, (0, 0, 255), -1) # 画点
# 圆心 半径 颜色 厚度
# 4、显示
cv.imshow('Shi-Tomas', img)
if __name__ == '__main__':
img = cv.imread('Resource/test15.jpg')
cv.imshow("img", img)
Harris() # Harris角点检测
Shi_Tomas() # Shi-Tomas角点检测
cv.waitKey(0)参考资料
https://www.bilibili.com/video/BV1Fo4y1d7JL?p=45&spm_id_from=pageDriver
http://woshicver.com/Sixth/5_2_%E5%93%88%E9%87%8C%E6%96%AF%E8%A7%92%E6%A3%80%E6%B5%8B/
3111
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
