OpenCV特征提取与检测之Harris角点检测_开发_开发者

前言

这篇博客将了解什么是特征，角点，哈里斯角点检测（Harris Corner Detection）的概念。并使用cv2.cornerHarris()，cv2.cornerSubPix()实现哈里斯角点检测；

1. 效果图

原图 VS Harris角点检测效果图如下：

OpenCV特征提取与检测之Harris角点检测

原图 VS Harris角点检测效果图如下：

OpenCV特征提取与检测之Harris角点检测

惊细角点效果图如下：Harris角点用红色像素标记，精细角点用绿色像素标记

OpenCV特征提取与检测之Harris角点检测

惊细角点效果图如下：Harris角点用红色像素标记，精细角点用绿色像素标记

OpenCV特征提取与检测之Harris角点检测

2. 原理

图像最重要的一个要素是特征，一旦有了特征及其描述，就可以在所有图像中找到相同的特征，并将它们对齐、缝合或执行任何您想要的操作。

编程客栈

特征可分为角、边、平面，OpenCV提供了许多不同的算法来查找特征、描述特征、匹配特编程客栈征等。

角点是图像中各个方向上强度变化较大的区域。

Harris角点检测的结果是一个灰度图像与这些分数。对一个合适的图像进行阈值化可以得到图像中的角点。

dst = cv2.cornerHarris(gray, 2, 3, 0.04)

img：输入图像，灰度图像，float32
blockSize: 用于角点检测的邻域的大小
ksize: Sobel导数的孔径参数
k: 方程中的k-Harris检测器自由参数
dst：返回值，灰度图像

corners = cv2.cornerSubPix(gray, np.float32(centroids), (5, 5), (-1, -1), criteria)
具有亚像素精度的角点：有时可能需要以最大的精度找到角点。OpenCV附带了一个函数cv2.cornerSubPix（），它可以进一步细化以亚像素精度检测到的角点。

使用 Harris 角点检测器检查逆矩阵的相似性。它表示角点是更好的跟踪点。

3. 源码

3.1 Harris角点检测

# Harris角点检测

import cv2
import numpy as np

img = cv2.imread('images/polygon.jpg')
img = cv2.imread('images/opencv_logo.jpg')
print(img.shape)

gray = cv2.cvtColor(img, cv2.COhttp://www.cppcns.comLOR_BGR2GRAY)
cv2.imshow("origin", img)
cv2.waitKey(0)

gray = np.float32(gray)

# res = cv2.cornerHarris(gray, 2, 3, 0.04)
# - img： 输入图像，灰度图像，float32
# - blockSize: 用于角点检测的邻域的大小
# - ksize: Sobel导数的孔径参数
# - k: 方程中的k-Harris检测器自由参数
# - res：返回值，灰度图像
res = cv2.cornerHarris(gray, 2, 3, 0.04)

# 扩大标记的内容
res = cv2.dilate(res, None)

# 最佳阈值因图而异
img[res > 0.01 * res.max()] = [0, 0, 255]

cv2.imshow('Harris res', img)
if cv2.waitKey(0) & 0xff == 27:
    cv2.destroyAllWindows()

3.2 精细角点检测

# 具有亚像素精度的角点
# 有时可能需要以最大的精度找到角点。OpenCV附带了一个函数cv2.cornerSubPix（），它可以进一步细化以亚像素精度检测到的角点。
import cv2
import imutils
import numpy as np

filename = 'images/polygon.jpg'
img = cv2.imread(filename)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 寻找Harris角点
gray = np.float32(gray)
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
dst = cv2.dilate(dst, None)
ret, dst = cv2.threshold(dst, 0.01 * dst.max(), 255, 0)
dst = np.uint8(dst)

# 寻找中心点
ret, labels, stats, centroids = cv2.connectedComponentsWithStats(dst)

# 定义停止和细化角点的条件
criteria 编程客栈= (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.001)
corners = cv2.cornerSubPix(gray, np.float32(centroids), (5, 5), (-1, -1), criteria)

# 绘制角点和细化的亚像素点
res = np.hstack((centroids, corners))
res = np.int0(res)
# Harris角点用红色像素标记，精细角点用绿色像素标记
img[res[:, 1], res[:, 0]] = [0, 0, 255]
img[res[:, 3], res[:, 2]] = [0, 255, 0]

gray = cv2.cvtColor(gray, cv2.COLOR_GRAY2BGR)
cv2.imshow("gray", img)
gray[res[:, 1], res[:, 0]] = [0, 0, 255]
gray[res[:, 3], res[:, 2]] = [0, 255, 0]

cv2.imshow('cornerSubPix res', imutils.resize(img, width=600))
cv2.waitKey(0)

参考 https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_feature2d/py_features_hwww.cppcns.comarris/py_features_harris.html#harris-corners