Harris角点检测
原理
dst = cv2.cornerHarris(img, blockSize, ksize, k)
参数:
- src:数据类型为 float32 的的输入图像
- blockSize:角点检测中要考虑的领域大小
- ksize:Sobel求导使用的核大小(取值参考范围为3~31之间的奇数值,值越小越灵敏)
- k:角点检测方程中的自由参数,取值参数为[0.04,0.06]
优缺点:
- 即使图像发生旋转,Harris 也能检测到这些角点,但如果将图像缩小到更小或者更大的尺寸,图像的某些部分可能丢失高质量的角点。
这时,我么可以使用尺度不变特征变换(SIFT)或者SURF来完成。
代码编写
import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np
src = cv.imread("E:\\Harris.png")
img = src.copy()
img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
img_gray = np.float32(img_gray) # 输入图像必须是float32
# Harris角点检测
dst = cv.cornerHarris(img_gray, 2, 3, 0.04)
# 返回的dst是浮点格式的图像,该图像中的每个值表示原图像对应像素的一个分值,中等或者高
# 分值表明像素很可能是一个角点,反之可以视为非角点。
# 我们选取的像素的分值至少是最高分值的0.1%,并绘制成绿色
img[dst > 0.001 * dst.max()] = [0, 255, 0]
# 显示图像
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(10, 8), dpi=100)
axes[0].imshow(src[:, :, ::-1])
axes[0].set_title("原图")
axes[1].imshow(img[:, :, ::-1])
axes[1].set_title("Harris角点检测后的图像")
plt.show()
局部放大后有