图像特征（一）

角点定义

在之前的学习中，我们了解了图片有低频和高频两个主要成分，高频成分代表了图像的细节部分，其中，边缘就是典型的细节。今天我们要讲的角点，也属于细节的一种，严格的来说，角点会出现在图像边缘上。
角点，顾名思义，就是图像中含有角度的边缘部分，比如这幅图中所注：

寻找角点

知道了什么是角点，下一步我们要解决的问题就是用怎样的数学工具找到角点。首先我们观察角点低频色彩信息、边界和角点之间的区别。首先画出一个检测通道：

在图像的低频部分，我们的检测通道向四周移动时，由于通道周围的内容和通道内的内容相似度较高，因此通道内的数值不会有太大的变化。

图中，通道内的黑线为图像的边缘部分，它的特点是通道沿某个方向移动（如横向移动），通道内数值会产生明显差距，但沿另外的方向移动（如上下移动），通道值则不会产生明显差距。

如果通道包含了角点，那么通道移动过程中就会有多个方向会让通道值产生明显的变化（如上下和左上右下）。依据这样的特性，我们可以用这样的公式来描述通道移动过程中，值的变化和通道所处位置的关系：

W_(x,y)是以(x,y)为中心的窗口函数，它反应了通道存储的值与原图对应像素的关系，它既可以是常数，也可以是高斯加权函数：

回到我们的C_{((x,y;△x,△y))}函数，之所以加平方，是为了避免直接作差导致结果为负。我们暂时不考虑窗函数W，使用泰勒展开对图像I_(x,y)在平移（△x,△y）后进行一阶近似：

将这个结果带到上式中，可以得到以下结果：

从C_{((x,y;△x,△y))}的近似表达式可以看出，如果假设其值为1即：

这就是一个椭圆系，只是两个焦点不一定在坐标轴上。但M是一个实对称矩阵，因此一定可以相似对角化：

其中，λ_max^1/2代表椭圆的长半轴，λ_min^1/2代表了椭圆的短半轴，对角化后的椭圆焦点在坐标轴上：

这个分析结果在图像中没有实际意义，但我们可以把这个椭圆拉到一个新的直角坐标系里，就可以根据这个椭圆的形状来判断图像上该点是否为角点：当短半轴和长半轴差距很大，即椭圆越扁，说明窗口只在某一个方上向移动会导致通道值出现明显变化，即该区域为边缘；如果短半轴长半轴都很大且短半轴与长半轴差距不大，说明椭圆更像是半径很大的圆，这说明窗口在任何方向移动都可以导致通道值出现明显变化，该区域为角点；如果短半轴长半轴都较小且差距不大，椭圆更像半径很小的圆，这说明窗口在任意方向移动都不会导致通道值产生较大变化，该区域是平坦区。

大小关系是一个比较抽象的概念，具体描述还要引入一个新的概念：角点相应R

通过以上方式计算出的R值就可以具体描述三种关系了：R>0时，即为角点，R<0时为边界，R≈0为平坦区。当然还有一个问题，我们找到焦点之后，会发现角点附近的点也有着相似的R特征，为了过滤掉这些点，还需要加入非极大值抑制（NMS）。

角点检测的OpenCV实现

角点检测也有现成的函数：

cv2.cornerHarris(img,blockSize,ksize,k) 

其中各参数的含义为

• img： 输入图像，数据类型为 float32 的入图像；
• blockSize：角点检测中指定区域的大小；
• ksize：Sobel求导中使用的窗口大小，通常取3；
• k：计算R值中参数k的取值，范围为[0,04,0.06]。

代码测试一下：

import cv2 
import numpy as np

img = cv2.imread('R-C.jpg')
img_show=img.copy()
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转灰度
gray = np.float32(gray) # 转格式为float32
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
img_show[dst>0.01*dst.max()]=[0,0,255] # dst.max()一定是一个角点，这里设置为所有dst矩阵中将
                                       # 大于最大值1%的值都标记成角点，以红色标记出来
cv2.imshow('dst',img_show) 
cv2.waitKey(0) 
cv2.destroyAllWindows()

角点检测结果如下：

本文详细介绍了角点检测的数学模型和代码实现，对数学模型不感兴趣的小伙伴可以直接查看代码实现，不动理论也不影响食用。下一节我们来介绍尺度空间，大家加油~