通俗易懂-OpenCV角点检测算法（Harris、Shi-Tomas算法实现）

目录

1 图像的特征

2，Harris角点检测

2.1  代码实现

2.2结果展示

3，Shi-Tomasi角点检测算法

3.1 ， 代码实现

3.2结果展示

---

Harris角点检测和Shi-Tomasi角点检测都是常用的基于图像灰度变化的角点检测算法，它们可以在图像中找到具有显著灰度变化的角点。

Harris角点检测算法基于Harris角点响应函数，该函数可以评估图像某一像素周围区域内的灰度变化。考虑一个图像上的像素点P(x, y)，其周围区域内的灰度变化可以通过计算自相关矩阵来表示。自相关矩阵M的定义如下：

M = ∑(∇I(x, y) ∇I(x, y)T)

其中∇I(x, y)是图像在位置(x, y)处的梯度向量。Harris角点响应函数R的定义如下：

R = det(M) - k * trace(M)^2

其中det(M)表示M的行列式，trace(M)表示M的迹，k是一个常数，用来调节响应函数的灵敏度。Harris角点检测的基本思想是，当图像中存在角点时，自相关矩阵的特征值会发生较大的变化，因此通过计算每个像素点的Harris响应函数，可以判断该点是否为角点。

在OpenCV中，可以使用cv2.cornerHarris()函数实现Harris角点检测。该函数接受输入图像和角点检测的参数（如窗口大小和k值），并返回一个表示角点响应函数的图像。可以通过设定一个阈值来选择具有较大角点响应的像素点作为角点。

Shi-Tomasi角点检测算法是Harris角点检测算法的一种改进。在Shi-Tomasi算法中，使用了响应函数的最小特征值来代替Harris角点响应函数R。Shi-Tomasi角点响应函数定义如下：

R = min(λ1, λ2)

其中λ1和λ2是自相关矩阵M的特征值，表示该像素点的灰度变化程度。与Harris角点检测不同，Shi-Tomasi算法选择了最小特征值作为判断角点的依据。

在OpenCV中，可以使用cv2.goodFeaturesToTrack()函数实现Shi-Tomasi角点检测。该函数接受输入图像、期望检测的角点数量和质量水平参数等，返回指定数量的最佳角点。

总的来说，Harris角点检测和Shi-Tomasi角点检测都是基于图像灰度变化的角点检测算法。它们通过计算每个像素点的响应函数来判断是否为角点，并提供了在OpenCV中实现的函数。根据具体应用的需求和图像特点，选择适当的角点检测算法可以提取出图像中的关键信息。

1 图像的特征

2，Harris角点检测

、

2.1  代码实现

import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np
from pylab import mpl
 
mpl.rcParams['font.sans-serif'] = ['SimHei']
 
img = cv.imread("corner.png")
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
 
#角点检测
#输入图像必须是float32
gray = np.float32(gray)
 
#最后一个参数在0.04-0.05之间
dst = cv.cornerHarris(gray , 2,3,0.04)  #dst变量是一个和输入灰度图像大小相同的浮点类型的矩阵，其中每个像素的值表示该像素是否是角点的概率。
'''gray：输入的灰度图像。
2：表示Sobel算子内核的大小，用于计算角点响应函数的导数。通常使用的是3x3或5x5的内核大小。
3：表示邻域窗口的大小，用于计算角点响应函数的响应值。对于每个像素点，计算其与周围像素之间的差异。
0.04：表示角点响应函数的自由参数k。k的值较小将使检测到的角点更加敏感，而k的值较大则会减少角点数量。'''
 
#设置阈值，将角点绘制出来，阈值根据图像进行选择
img[dst >0.001*dst.max()] = [0,0,255]
'''它会将图像 img 中响应值大于 0.001 * dst.max() 的像素点设为 [0, 0, 255]，即红色。
请注意，dst.max() 表示检测到的角点响应函数的最大值。
通过乘以 0.001 ，可以设置一个相对较小的阈值，以便只有极具代表性的角点被标记为红色。你可以根据需要调整阈值大小'''
#图像显示
plt.figure(figsize=(5,4),dpi=100)
plt.imshow(img[:,:,::-1]),plt.title("Harris角点检测")
plt.xticks([]),plt.yticks([])
plt.show()

2.2结果展示

3，Shi-Tomasi角点检测算法

3.1 ， 代码实现

import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np
from pylab import mpl
 
mpl.rcParams['font.sans-serif'] = ['SimHei']
 
img = cv.imread("corner.png")
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
 
#角点检测
corners = cv.goodFeaturesToTrack(gray , 1000,0.1,10)
'''
gray：输入的灰度图像。
1000：表示要检测的角点数量。这里设置为1000，表示最多检测1000个角点，但实际检测到的角点数量可能会少于这个值。
0.01：表示角点质量水平阈值，用于筛选保留哪些角点。较大的阈值会筛选出更强的角点。
10：表示角点之间的最小欧氏距离。如果两个角点之间的距离小于这个值，其中一个角点将被抑制。
'''
#绘制角点
for i in corners:
    x,y = i.ravel()
    cv.circle(img,(x,y),2,(0,0,255),-1)
#图像显示
plt.figure(figsize=(5,4),dpi=100)
plt.imshow(img[:,:,::-1]),plt.title("shi-Tomas角点检测")
plt.xticks([]),plt.yticks([])
plt.show()

3.2结果展示