OpenCV 中的角点检测方法详解

引言

在计算机视觉和图像处理中，特征点检测（Feature Detection）是一个关键任务，用于识别图像中的显著区域（如角点、边缘等）。Harris角点检测（Harris Corner Detection）是一种经典的特征点检测算法，由Chris Harris和Mike Stephens在1988年提出。它广泛应用于图像匹配、目标跟踪、三维重建等领域。

---

1. Harris角点检测原理

1.1 什么是角点？

角点（Corner）是图像中两个边缘的交点，具有以下特点：

• 在多个方向上灰度变化明显（与平坦区域和边缘不同）。
• 对旋转、光照变化具有一定鲁棒性。

1.2 Harris算法的核心思想

Harris角点检测基于局部窗口的灰度变化来判断是否为角点。具体步骤：

1. 计算图像梯度（使用Sobel算子求 I_x和 I_y。

2. 构建结构张量（Structure Tensor）：
   

3. 计算角点响应函数（Harris Response）：
   

   其中：

   • det(M) = θ₁ θ₂（特征值的乘积）
   • trace(M) = θ₁+θ₂（特征值的和）
   • K 是经验常数（通常取0.04~0.06）

4. 筛选角点：设定阈值，保留 (R) 较大的点。

1.3 角点、边缘和平坦区域的区分

• 角点：(R) 值大，θ₁和θ₂都较大。
• 边缘：(R) 值小，θ₁ >> θ₂或反之。
• 平坦区域：(R) 值接近0，θ₁ 和 θ₂ 都小。

---

2. OpenCV实现Harris角点检测

OpenCV提供了 cv2.cornerHarris() 函数，可以直接使用：

import cv2

img = cv2.imread('huanghelou.png')

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
dst = cv2.cornerHarris(gray,blockSize=2, ksize=3, k=0.04)
# 标记检测到的角点
img[dst > 0.01 * dst.max()] = [0,255,0]
# 这里通过对角点响应进行阈值处理，标记出检测到的角点
# 0.05 * dst.max() 是一个阈值，大于这个值的像素点会被标记为红色
cv2.imshow('img',img)
cv2.waitKey(0)

参数说明：

• blockSize：计算局部窗口大小（通常取2~5）。
• ksize：Sobel算子的孔径（通常取3）。
• k：Harris响应函数中的经验常数（0.04~0.06）。

---

3. 总结

• Harris角点检测 是一种经典的特征点检测方法，适用于角点明显的场景。
• OpenCV实现简单，但需调整参数（blockSize、k等）以获得最佳效果。
• 改进方法：亚像素优化、Shi-Tomasi算法可提高精度。
• 应用广泛：相机标定、SLAM、图像匹配等。

---

希望这篇博客对你有所帮助！如果有问题，欢迎留言讨论。 🚀