Opencv之角点 Harris、Shi-Tomasi 检测详解

已于 2023-07-22 20:42:08 修改
阅读量1.3k 收藏 6
点赞数
分类专栏： # C++ - opencv 文章标签： opencv 人工智能 计算机视觉 深度学习 c++
于 2023-07-11 20:22:28 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yohnyang/article/details/131667677
版权

  • 角点，即图像中某些属性较为突出的像素点

  • 常用的角点有以下几种：

    • 梯度最大值对应的像素点
    • 两条直线或者曲线的交点
    • 一阶梯度的导数最大值和梯度方向变化率最大的像素点
    • 一阶导数值最大，但是二阶导数值为0的像素点

在这里插入图片描述

  • API简介：
void  cornerHarris (
    InputArray      src,   // 输入图像 (单通道，8位或浮点型)
    OutputArray     dst,   // 输出图像 (类型 CV_32FC1，大小同 src)
    int      blockSize,    // 邻域大小
    int      ksize,        // Sobel 算子的孔径大小
    double   k,            // 经验参数，取值范围 0.04 ~ 0.06
    int      borderType = BORDER_DEFAULT    // 边界模式
)     

void  goodFeaturesToTrack (     
        InputArray      image,     // 输入图像 (单通道，8位或浮点型32位)
        OutputArray     corners,   // 检测到的角点
        int         maxCorners,    // 最多允许返回的角点数量
        double      qualityLevel,  //  质量水平
        double      minDistance,   // 角点间的最小欧拉距离
        InputArray  mask = noArray(), //
        int         blockSize = 3,    //
        bool        useHarrisDetector = false,  //
        double      k = 0.04  // 
    )     

void  cornerSubPix(
        InputArray          image,  // 输入图象(单通道，8位或浮点型)
        InputOutputArray  corners,  // 亚像素精度的角点坐标
        Size              winSize,  // 搜索窗口尺寸的 1/2
        Size             zeroZone,  //
        TermCriteria     criteria   // 迭代终止准则
)

1. Harris角点

  • 主要用于检测图像中线段的端点或者两条线段的交点

  • 在图像中定义一个局部小窗口，然后沿各个方向移动这个窗口，则会出现 a) b) c) 三种情况，分别对应平坦区、边缘和角点，下图给出了检测思路：

    • 窗口内的图像强度，在窗口向各个方向移动时，都没有发生变化，则窗口内都是 “平坦区”，不存在角点
    • 窗口内的图像强度，在窗口向某一个 (些) 方向移动时，发生较大变化；而在另一些方向不发生变化，那么，窗口内可能存在 “边缘”
    • 窗口内的图像强度，在窗口向各个方向移动时，都发生了较大的变化，则认为窗口内存在 “角点”

a) flat region b) edge c) corner

  • 其主要理论如下：
    在这里插入图片描述
    在这里插入图片描述
  • demo
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>
using namespace cv;
using namespace std;
Mat src, src_gray;
int thresh = 200;
int max_thresh = 255;
const char* source_window = "Source image";
const char* corners_window = "Corners detected";
void cornerHarris_demo( int, void* );
int main( int argc, char** argv )
{
 CommandLineParser parser( argc, argv, "{@input | building.jpg | input image}" );
 src = imread( samples::findFile( parser.get<String>( "@input" ) ) );
 if ( src.empty() )
 {
 cout << "Could not open or find the image!\n" << endl;
 cout << "Usage: " << argv[0] << " <Input image>" << endl;
 return -1;
 }
 cvtColor( src, src_gray, COLOR_BGR2GRAY );
 namedWindow( source_window );
 createTrackbar( "Threshold: ", source_window, &thresh, max_thresh, cornerHarris_demo );
 imshow( source_window, src );
 cornerHarris_demo( 0, 0 );
 waitKey();
 return 0;
}
void cornerHarris_demo( int, void* )
{
 int blockSize = 2;
 int apertureSize = 3;
 double k = 0.04;
 Mat dst = Mat::zeros( src.size(), CV_32FC1 );
 cornerHarris( src_gray, dst, blockSize, apertureSize, k );
 Mat dst_norm, dst_norm_scaled;
 normalize( dst, dst_norm, 0, 255, NORM_MINMAX, CV_32FC1, Mat() );
 convertScaleAbs( dst_norm, dst_norm_scaled );
 for( int i = 0; i < dst_norm.rows ; i++ )
 {
 for( int j = 0; j < dst_norm.cols; j++ )
 {
 if( (int) dst_norm.at<float>(i,j) > thresh )
 {
 circle( dst_norm_scaled, Point(j,i), 5, Scalar(0), 2, 8, 0 );
 }
 }
 }
 namedWindow( corners_window );
 imshow( corners_window, dst_norm_scaled );
}

在这里插入图片描述

2. Shi-Tomasi 角点

  • 后来在1994年，J. Shi和C. Tomasi在他们的论文Good Features to Track中对其进行了小的修改，与Harris Corner Detector相比，显示出更好的结果。哈里斯角探测器中的评分函数由下式给出：
    在这里插入图片描述

  • OpenCV有一个函数 cv.goodFeaturesToTrack（）。它通过Shi-Tomasi方法（或Harris角点检测，如果您指定的话）在图像中找到N个最强的角落。首先图像是灰度图像。提前指定要查找的角点数，然后，指定质量值，该值介于 0-1 之间，表示角的最低质量，低于该质量，每个都被拒绝。然后，我们提供检测到的拐角之间的最小欧氏距离。

  • 有了所有这些信息，该函数就会在图像中找到角落。所有低于质量水平的角落都将被剔除。然后，它根据质量按降序对剩余的角进行排序。然后函数取第一个最强角，丢弃最小距离范围内的所有附近角，并返回 N 个最强角。

在下面的示例中，我们将尝试找到 25 个最佳角：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('blox.jpg')
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
corners = cv.goodFeaturesToTrack(gray,25,0.01,10)
corners = np.int0(corners)
for i in corners:
 x,y = i.ravel()
 cv.circle(img,(x,y),3,255,-1)
plt.imshow(img),plt.show()

在这里插入图片描述

  • 使用实例：
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>
using namespace cv;
using namespace std;
Mat src, src_gray;
int maxCorners = 23;
int maxTrackbar = 100;
RNG rng(12345);
const char* source_window = "Image";
void goodFeaturesToTrack_Demo( int, void* );
int main( int argc, char** argv )
{
 CommandLineParser parser( argc, argv, "{@input | pic3.png | input image}" );
 src = imread( samples::findFile( parser.get<String>( "@input" ) ) );
 if( src.empty() )
 {
 cout << "Could not open or find the image!\n" << endl;
 cout << "Usage: " << argv[0] << " <Input image>" << endl;
 return -1;
 }
 cvtColor( src, src_gray, COLOR_BGR2GRAY );
 namedWindow( source_window );
 createTrackbar( "Max corners:", source_window, &maxCorners, maxTrackbar, goodFeaturesToTrack_Demo );
 imshow( source_window, src );
 goodFeaturesToTrack_Demo( 0, 0 );
 waitKey();
 return 0;
}
void goodFeaturesToTrack_Demo( int, void* )
{
 maxCorners = MAX(maxCorners, 1);
 vector<Point2f> corners;
 double qualityLevel = 0.01;
 double minDistance = 10;
 int blockSize = 3, gradientSize = 3;
 bool useHarrisDetector = false;
 double k = 0.04;
 Mat copy = src.clone();
 goodFeaturesToTrack( src_gray,
 corners,
 maxCorners,
 qualityLevel,
 minDistance,
 Mat(),
 blockSize,
 gradientSize,
 useHarrisDetector,
 k );
 cout << "** Number of corners detected: " << corners.size() << endl;
 int radius = 4;
 for( size_t i = 0; i < corners.size(); i++ )
 {
 circle( copy, corners[i], radius, Scalar(rng.uniform(0,255), rng.uniform(0, 256), rng.uniform(0, 256)), FILLED );
 }
 namedWindow( source_window );
 imshow( source_window, copy );
}

在这里插入图片描述

3. 角点检测器

  • 使用 OpenCV 函数 cv::cornerEigenValsAndVecs 查找特征值和特征向量，以确定像素是否为角。
  • 使用 OpenCV 函数 cv::cornerMinEigenVal 查找角检测的最小特征值。
  • 通过使用上述两个函数实现我们自己的哈里斯检测器版本以及 Shi-Tomasi 检测器。
  • 使用实例：
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>
using namespace cv;
using namespace std;
Mat src, src_gray;
Mat myHarris_dst, myHarris_copy, Mc;
Mat myShiTomasi_dst, myShiTomasi_copy;
int myShiTomasi_qualityLevel = 50;
int myHarris_qualityLevel = 50;
int max_qualityLevel = 100;
double myHarris_minVal, myHarris_maxVal;
double myShiTomasi_minVal, myShiTomasi_maxVal;
RNG rng(12345);
const char* myHarris_window = "My Harris corner detector";
const char* myShiTomasi_window = "My Shi Tomasi corner detector";
void myShiTomasi_function( int, void* );
void myHarris_function( int, void* );
int main( int argc, char** argv )
{
 CommandLineParser parser( argc, argv, "{@input | building.jpg | input image}" );
 src = imread( samples::findFile( parser.get<String>( "@input" ) ) );
 if ( src.empty() )
 {
 cout << "Could not open or find the image!\n" << endl;
 cout << "Usage: " << argv[0] << " <Input image>" << endl;
 return -1;
 }
 cvtColor( src, src_gray, COLOR_BGR2GRAY );
 int blockSize = 3, apertureSize = 3;
 cornerEigenValsAndVecs( src_gray, myHarris_dst, blockSize, apertureSize );
 /* calculate Mc */
 Mc = Mat( src_gray.size(), CV_32FC1 );
 for( int i = 0; i < src_gray.rows; i++ )
 {
 for( int j = 0; j < src_gray.cols; j++ )
 {
 float lambda_1 = myHarris_dst.at<Vec6f>(i, j)[0];
 float lambda_2 = myHarris_dst.at<Vec6f>(i, j)[1];
 Mc.at<float>(i, j) = lambda_1*lambda_2 - 0.04f*((lambda_1 + lambda_2) * (lambda_1 + lambda_2));
 }
 }
 minMaxLoc( Mc, &myHarris_minVal, &myHarris_maxVal );
 /* Create Window and Trackbar */
 namedWindow( myHarris_window );
 createTrackbar( "Quality Level:", myHarris_window, &myHarris_qualityLevel, max_qualityLevel, myHarris_function );
 myHarris_function( 0, 0 );
 cornerMinEigenVal( src_gray, myShiTomasi_dst, blockSize, apertureSize );
 minMaxLoc( myShiTomasi_dst, &myShiTomasi_minVal, &myShiTomasi_maxVal );
 /* Create Window and Trackbar */
 namedWindow( myShiTomasi_window );
 createTrackbar( "Quality Level:", myShiTomasi_window, &myShiTomasi_qualityLevel, max_qualityLevel, myShiTomasi_function );
 myShiTomasi_function( 0, 0 );
 waitKey();
 return 0;
}
void myShiTomasi_function( int, void* )
{
 myShiTomasi_copy = src.clone();
 myShiTomasi_qualityLevel = MAX(myShiTomasi_qualityLevel, 1);
 for( int i = 0; i < src_gray.rows; i++ )
 {
 for( int j = 0; j < src_gray.cols; j++ )
 {
 if( myShiTomasi_dst.at<float>(i,j) > myShiTomasi_minVal + ( myShiTomasi_maxVal - myShiTomasi_minVal )*myShiTomasi_qualityLevel/max_qualityLevel )
 {
 circle( myShiTomasi_copy, Point(j,i), 4, Scalar( rng.uniform(0,256), rng.uniform(0,256), rng.uniform(0,256) ), FILLED );
 }
 }
 }
 imshow( myShiTomasi_window, myShiTomasi_copy );
}
void myHarris_function( int, void* )
{
 myHarris_copy = src.clone();
 myHarris_qualityLevel = MAX(myHarris_qualityLevel, 1);
 for( int i = 0; i < src_gray.rows; i++ )
 {
 for( int j = 0; j < src_gray.cols; j++ )
 {
 if( Mc.at<float>(i,j) > myHarris_minVal + ( myHarris_maxVal - myHarris_minVal )*myHarris_qualityLevel/max_qualityLevel )
 {
 circle( myHarris_copy, Point(j,i), 4, Scalar( rng.uniform(0,256), rng.uniform(0,256), rng.uniform(0,256) ), FILLED );
 }
 }
 }
 imshow( myHarris_window, myHarris_copy );
}

在这里插入图片描述

4. 使用亚像素精度

  • 使用 OpenCV 函数 cv：：cornerSubPix 查找更精确的角位置（比整数像素更精确）。
  • 使用实例：
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>
using namespace cv;
using namespace std;
Mat src, src_gray;
int maxCorners = 10;
int maxTrackbar = 25;
RNG rng(12345);
const char* source_window = "Image";
void goodFeaturesToTrack_Demo( int, void* );
int main( int argc, char** argv )
{
 CommandLineParser parser( argc, argv, "{@input | pic3.png | input image}" );
 src = imread( samples::findFile( parser.get<String>( "@input" ) ) );
 if( src.empty() )
 {
 cout << "Could not open or find the image!\n" << endl;
 cout << "Usage: " << argv[0] << " <Input image>" << endl;
 return -1;
 }
 cvtColor( src, src_gray, COLOR_BGR2GRAY );
 namedWindow( source_window );
 createTrackbar( "Max corners:", source_window, &maxCorners, maxTrackbar, goodFeaturesToTrack_Demo );
 imshow( source_window, src );
 goodFeaturesToTrack_Demo( 0, 0 );
 waitKey();
 return 0;
}
void goodFeaturesToTrack_Demo( int, void* )
{
 maxCorners = MAX(maxCorners, 1);
 vector<Point2f> corners;
 double qualityLevel = 0.01;
 double minDistance = 10;
 int blockSize = 3, gradientSize = 3;
 bool useHarrisDetector = false;
 double k = 0.04;
 Mat copy = src.clone();
 goodFeaturesToTrack( src_gray,
 corners,
 maxCorners,
 qualityLevel,
 minDistance,
 Mat(),
 blockSize,
 gradientSize,
 useHarrisDetector,
 k );
 cout << "** Number of corners detected: " << corners.size() << endl;
 int radius = 4;
 for( size_t i = 0; i < corners.size(); i++ )
 {
 circle( copy, corners[i], radius, Scalar(rng.uniform(0,255), rng.uniform(0, 256), rng.uniform(0, 256)), FILLED );
 }
 namedWindow( source_window );
 imshow( source_window, copy );
 Size winSize = Size( 5, 5 );
 Size zeroZone = Size( -1, -1 );
 TermCriteria criteria = TermCriteria( TermCriteria::EPS + TermCriteria::COUNT, 40, 0.001 );
 cornerSubPix( src_gray, corners, winSize, zeroZone, criteria );
 for( size_t i = 0; i < corners.size(); i++ )
 {
 cout << " -- Refined Corner [" << i << "] (" << corners[i].x << "," << corners[i].y << ")" << endl;
 }
}

在这里插入图片描述

参考

1. https://blog.csdn.net/fengweichangzi/article/details/119001661?spm=1001.2014.3001.5506
2. https://docs.opencv.org/4.x/d9/d97/tutorial_table_of_content_features2d.html

94.Shi-Tomasi角点检测
twnkie的博客
08-19 147
Shi-Tomasi算子是Harris算子的改进版本，该算子是1994年J.Shi和C.Tomasi在其论文“Good Features to Track”中提出的。我们根据这个式子中的两个特征值的大小，去求得响应系数，最后根据响应系数的值去判断该点是不是角点，这样就导致Harris角点检测算法的稳定性与k值有关，而k值是一个经验值，不容易设定最佳值。Shi和Tomasi发现，角点的稳定性其实和矩阵M的较小特征值有关，于是直接用较小的那个特征值作为判断条件，这样就不用调整k值了。
Shi-Tomas检测和SIFT角点匹配
Apricity
11-27 1020
Shi-Tomas角点检测与SFIT匹配 Harris 角点检测是一种最为常见的方法，但其运算量大，计算速度慢，因此不怎么受宠，Shi-Tomas角点检测运行速度快，且其原理简单，SFIT匹配适用于旋转、尺度变换，且对视觉变化、放射变换、噪声也保持一定程度的稳定性，最重要的是能与其他形式的特征向量进行联合。 本文创新点：将Shi-Tomas角点检测于SFIT匹配结合使用，且进行了亚像素检测，通过多种方法的比较和验证得出这两种方法结合使用效果均优于其他方法。 1. 常用的角点检测方法：Moravec角点检测、
opencv harris角点检测详解
weixin_44901043的博客
03-16 1394
文章目录概念一、角点检测原理二、opencv 函数支持 cornerHarris() 概念 特征提取 特征提取是计算机视觉和图像处理中的一个概念。特征指的是唯一可识别的特性。特征提取是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 图像特征的类型 图像特征作为标志性的属性，常见的有： 边缘 角点(也称为兴趣点) Blobs(也称为感兴趣的区域) 本章研究一下角点 一、角点检测原理 角点既然是两条边
opencv 角点检测
05-22
opencv 通过传入mat 数据来对图片进行角点检测，返回会的是mat数据
《OpenCV 计算机视觉》—— Harris角点检测、SIFT特征检测
最新发布
weixin_73504499的博客
09-29 1870
Harris角点检测、SIFT特征检测
OpenCV中角点检测：Harris、Shi-Tomasi、亚像素级角点检测
zhw864680355的博客
12-30 2380
1、角点的定义 角点通常被定义为两条边的交点，或者说，角点的局部邻域应该具有两个不同区域的不同方向的边界。比如，三角形有三个角，矩形有四个角，这些就是角点，也是他们叫做矩形、三角形的特征。 角点是个很特殊的存在。如果某一点在任意方向的一个微小的变动都会引起灰度很大的变化，那么我们就可以把该点看做是角点。 角点检测(Corner Detection)是计算机视觉系统中获取图像特征的一种方法，广...
opencv学习（1）-- 角点检测
weixin_43212588的博客
09-11 3521
自定义角点检测是基于Harris和Shi-Tomasi角点检测，首先通过计算矩阵M得到两个特征值而获取角点响应值。然后自己设置阈值实现计算出阈值得到有效响应值的角点位置。通过进行亚像素级别的角点检测可以提高角点的检测精准度，因为角点的位置不会是一个准确的像素点。可以通过插值算法、基于图像矩计算、曲线拟合（高斯曲面、多项式、椭圆曲面）
Harris角点检测算法 1
03-15 408
今天看3D（时空域） Harris角点的检测，发现网上关于此的中文内容很少，所以决定写两篇文章，分享一下自己的心得。第一篇是关于在空域上的Harris角点检测。   在我们解决问题时，往往希望找到特征点，“特征”顾名思义，指能描述物体本质的东西，还有一种解释就是这个特征微小的变化都会对物体的某一属性产生重大的影响。而角点就是这样的特征。 观察日常生活中的“角落”就会发现，“角落”
opencv harris 角点检测
weixin_39354845的博客
02-14 1343
一、图像特征的分类 【OpenCV入门教程之十六】OpenCV角点检测之Harris角点检测_【浅墨的游戏编程Blog】毛星云（浅墨）的专栏-CSDN博客_基于轮廓曲线的角点检测 下面部分图像来自与B站上将opencv的一位叫贾志刚讲师课件的截图 1、边缘 2、角点（兴趣点）：如果某一点在任意方向的一个微小变动都会引起灰度很大的变化，那么我们就把它称之为角点 角点位于两条边缘的交点处，代表了两个边缘变化的方向上的点,，所以他们是可以精确定位的二维特征，甚至可以达到亚像素的精度，且其图像梯度有.
Shi-Tomasi角点检测及光流法追踪——复现VINS前端视觉数据处理
猛龙过江ing
05-09 1885
“万顷湖天碧，一星飞鹭白。”——（唐）皮日休《秋江晓望》 最近自己写代码复现了一下VINS的前端视觉数据处理的过程，主要是对图像检测Shi-Tomasi特征点，之后使用光流法进行追踪，再使用RANSAC算法计算基础矩阵将匹配的异常值剔除。闲言少叙，直接进入代码环节。 实验基础 首先是图像数据的读取，为了适应之后的特征点提取的函数，这里直接读入灰度图像。而彩色图像只用于匹配结果的可视化。 img1 = cv::imread(first_img_path, cv::IM...
C++OpenCV3源代码亚像素级角点检测
04-28
在OpenCV中，有多种方法可用于角点检测，例如Harris角点检测、Shi-Tomasi角点检测等。这里我们主要介绍如何结合这些基本角点检测算法与`cornerSubPix()`函数来实现亚像素级角点检测。 ##### 1. 基础角点检测算法 - ...
opencv角点检测
05-29
对灰度图像提取焦点特征，数字图像处理，角点检测。实用程序 值得下载。
【OpenCV3】角点检测——cv::goodFeaturesToTrack()与cv::cornerSubPix()详解
热门推荐
guduruyu的专栏
04-07 5万+
一提到角点检测，最常用的方法莫过于Harris角点检测，opencv中也提供了Harris角点检测的接口，即cv::cornerHarris()，但是Harris角点检测存在很多缺陷（如角点是像素级别的，速度较慢等），因此我们这里将介绍opencv中的另一个功能更为强大的函数——cv::goodFeaturesToTrack()，它不仅支持Harris角点检测，也支持Shi Tomasi算法的角点检测。但是，该函数检测到的角点依然是像素级别的，若想获取更为精细的角点坐标，则需要调用cv::cornerSub
OpenCV探索之路（十五）：角点检测
weixin_34162629的博客
05-24 187
角点检测是计算机视觉系统中用来获取图像特征的一种方法。我们都常说，这幅图像很有特点，但是一问他到底有哪些特点，或者这幅图有哪些特征可以让你一下子就识别出该物体，你可能就说不出来了。其实说图像的特征，你可以尝试说一下这幅图有几个矩形啊几个圆形啊，有几条直线啊，当然啦，你也可以说一下有几个角点。 什么是角点？ 角点通常被定义为两条边的交点。比如，三角形有三个角，矩形有四个角，这些就是角点，也是他们叫做...
Opencv之Harris角点检测
cocofisher的博客
01-17 749
Harris角点检测的目的是去分辨出图像中的平面、边界以及角点。 基本原理 下面三张图分别代表平面、边缘以及角点。 人眼对角点的识别通常是在一个局部的小区域或小窗口完成的。如果在各个方向上移动这个特征的小窗口，窗口内区域的灰度发生了较大的变化，那么就认为在窗口内遇到了角点。如果这个特定的窗口在图像各个方向上移动时，窗口内图像的灰度没有发生变化，那么窗口内的图像就可能是一个平面；如果窗口在某一个方...
OpenCV 角点检测
chngchai的专栏
01-03 677
角点检测 是就是就是视觉系统中用来获得图像特征的一种方法，广泛应用于运动检测、图像匹配、视频跟踪、三万建模和模板识别等领域中，也称为特征点检测.        在实际用用中，大多数所谓的焦点检测方法检测的是拥有特定特征的图像点，而不仅仅是“角点”。这些特征点在图像中有具体的坐标，并具有某些数学特征，如局部最大或最小灰度、某些梯度特征等。         1、图像特征类型可以被分为如下三种：  
OpenCV 之 角点检测
fengweichangzi的博客
07-22 6139
角点 (corners) 的定义有两个版本：两条边缘的交点，或者，邻域内具有两个主方向的特征点 从人眼来看，角点是图像亮度发生剧烈变化的点 或边缘曲线上曲率为极大值的点。例如，下图 E 和 F 便是典型的角点 1 检测思路 在图像中定义一个局部小窗口，然后沿各个方向移动这个窗口，则会出现 a) b) c) 三种情况，分别对应平坦区、边缘和角点 a) 窗口内的图像强度，在窗口向各个方向移动时，都没有发生变化，则窗口内都是 “平坦区”，不存在角...
OpenCV角点检测
qq_35732321的博客
03-24 6135
角点检测Harris 角点检测算法1. 角点2. 流程3. 实现 Harris 角点检测算法 1. 角点 角点是水平方向、垂直方向变化都很大的像素。 2. 流程 （1）找出角点 用高斯算子求出像素水平方向和垂直方向的梯度dx, dy，–> 对梯度的平方dxdx ,dydy, dxdy滤波得到Wxx ,Wxy,Wyy --> 在求的（WxxWyy - Wxy**2）/（Wxx + Wyy）作为候选角点。 （2）筛选角点 根据阈值筛选角点–> 取得角点的坐标 -->根据角点坐标得到角点所
OpenCV4.5.5学习笔记（二十）：角点检测
qq_43264167的博客
05-06 1431
笔者本科时候有幸接触了OpenCV3.2.0版本的学习，后因考研压力不得不暂时停下学习的脚步，现在考研任务结束了，未来的导师也是从事的该方向，笔者又开始了新一轮的学习。回来发现OpenCV已经出到了4.5.5版本，遂重新下载新版本并决定记录这一学习历程。由于笔者水平有限，可能有错误之处还请诸位大佬多多包涵并烦请指出，让我们一起学习，共同进步。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

明月醉窗台

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值