OpenCV角点检测：原理、方法与代码实现-CSDN博客

本文链接：https://blog.csdn.net/weixin_68114439/article/details/147932162

一、什么是角点？

在计算机视觉和图像处理中，角点（Corner）是指图像中两个边缘的交点，或者更一般地说，是图像中各个方向上灰度变化都非常显著的点。角点具有以下重要特性：

局部特征：角点是图像的局部特征，对旋转、光照变化等具有一定的不变性
信息丰富：相比平坦区域和边缘，角点包含更多的图像信息
易于识别：角点在多个方向上都有明显的灰度变化

二、常见的角点检测算法

1. Harris角点检测

Harris角点检测是最经典的角点检测算法之一，由Chris Harris和Mike Stephens在1988年提出。

基本原理：

通过计算图像窗口在各个方向上移动时的灰度变化来检测角点
使用自相关矩阵M的特征值来判断是否为角点

数学表达：
对于图像I(x,y)，在点(x,y)处移动(Δx,Δy)后的灰度变化E(Δx,Δy)可表示为：

E(Δx,Δy) ≈ [Δx,Δy] M [Δx,Δy]ᵀ

其中M是2×2的自相关矩阵：

M = ∑[Ix² IxIy; IxIy Iy²]

Harris通过计算角点响应函数R来判断是否为角点：

R = det(M) - k·trace(M)²

OpenCV实现：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('chessboard.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Harris角点检测
gray = np.float32(gray)
dst = cv2.cornerHarris(gray, blockSize=2, ksize=3, k=0.04)

# 膨胀结果，便于标记
dst = cv2.dilate(dst, None)

# 阈值筛选角点
img[dst > 0.01 * dst.max()] = [0, 0, 255]

# 显示结果
cv2.imshow('Harris Corners', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. Shi-Tomasi角点检测

Shi-Tomasi是Harris角点检测的改进算法，提出了更好的角点评估标准。

改进点：

直接使用M矩阵的最小特征值作为角点响应值
计算更简单，效果更好

OpenCV实现：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('chessboard.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Shi-Tomasi角点检测
corners = cv2.goodFeaturesToTrack(gray, maxCorners=100, qualityLevel=0.01, minDistance=10)

# 绘制角点
if corners is not None:
    corners = np.int0(corners)
    for i in corners:
        x, y = i.ravel()
        cv2.circle(img, (x, y), 3, (0, 255, 0), -1)

# 显示结果
cv2.imshow('Shi-Tomasi Corners', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

3. FAST角点检测

FAST(Features from Accelerated Segment Test)是一种快速角点检测算法，计算效率高，适合实时应用。

算法特点：

基于像素邻域灰度值比较
速度快，适合实时系统
对噪声敏感

OpenCV实现：

import cv2

# 读取图像
img = cv2.imread('chessboard.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# FAST角点检测
fast = cv2.FastFeatureDetector_create(threshold=30, nonmaxSuppression=True)

# 检测角点
keypoints = fast.detect(gray, None)

# 绘制角点
img_with_keypoints = cv2.drawKeypoints(img, keypoints, None, color=(0, 255, 0))

# 显示结果
cv2.imshow('FAST Corners', img_with_keypoints)
cv2.waitKey(0)
cv2.destroyAllWindows()

三、角点检测的应用

图像配准：通过匹配两幅图像中的角点来实现图像对齐
运动跟踪：在视频序列中跟踪角点来实现目标跟踪
三维重建：从多视角图像中匹配角点来重建三维结构
全景拼接：通过匹配角点将多幅图像拼接成全景图
物体识别：利用角点作为特征进行物体识别

四、性能比较与选择建议

算法	速度	准确性	适用场景
Harris	中等	较高	通用场景，对图像旋转有一定鲁棒性
Shi-Tomasi	中等	高	需要精确角点定位的场景
FAST	快	中等	实时系统，计算资源有限的场景

选择建议：

如果对精度要求高，选择Shi-Tomasi
如果需要实时处理，选择FAST
一般情况下，Harris是一个不错的折中选择

五、角点检测的优化技巧

非极大值抑制：避免在角点附近检测到多个响应点
多尺度检测：在不同尺度空间检测角点，提高尺度不变性
亚像素精度：将角点位置精确到亚像素级别

亚像素精度实现示例：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('chessboard.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Shi-Tomasi角点检测
corners = cv2.goodFeaturesToTrack(gray, maxCorners=100, qualityLevel=0.01, minDistance=10)

# 亚像素角点精确化
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
corners_subpix = cv2.cornerSubPix(gray, corners, (5,5), (-1,-1), criteria)

# 绘制角点
if corners_subpix is not None:
    corners_subpix = np.int0(corners_subpix)
    for i in corners_subpix:
        x, y = i.ravel()
        cv2.circle(img, (x, y), 3, (0, 255, 0), -1)

# 显示结果
cv2.imshow('Subpixel Corners', img)
cv2.waitKey(0)
cv2.destroyAllWindows()