1. 特征检测的基本概念
特征检测是计算机视觉和图像处理中的一个概念。它指的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。特征检测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。
特征检测是指从图像或视频中自动检测出一些具有特定几何形状或特定的灰度分布等特征的局部区域。
- 边缘检测
- 角点检测
- 区域检测
- 脊检测
特征具有哪些特点：
- 特征是唯一的
- 特征是可追踪的
- 特征是能比较的
也就是说，图像特征是指有意义的图像区域，具有独特性，易于识别性，比较角点，斑点以及高密度区域。
在图像特征中最重要的就是角点。
- 灰度梯度的最大值对应的像素
- 两条线的交点
- 极点值（一阶导数最大，二阶导数为0）
2. lsd直线检测
cpp
cv::Ptr<cv::LineSegmentDetector> lsd = cv::createLineSegmentDetector(cv::LSD_REFINE_NONE); // 定义检测lsd对象
std::vector<cv::Vec4f> lines; //存储检测的点
lsd->detect(grayImg, lines); //进行直线检测
lsd->drawSegments(grayImg, lines); // 将检测的直线绘制到图像中
cv::imshow("lsd_grayImg", grayImg); // 显示对应的图像
cv::waitKey(0); //停留在显示界面，按空格键继续执行3. harris角点检测
python
import cv2
import numpy as np
img = cv2.imread('8.jpg')
# 变成灰度图片
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# 角点检测
# blockSize没有要求必须是奇数
# 返回目标值(角点响应),每一个像素点都可以计算出一个角点响应
dst = cv2.cornerHarris(gray,blockSize=2,ksize=3,k=0.04)
#显示角点
# 设定阈值,dst.max()
img[dst > (0.01 * dst.max())] = [0,0,255]
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()4. Shi-Tomasi角点检测
python
import cv2
import numpy as np
img = cv2.imread('../my_work/01.png')
# 参数设置
maxCorners = 1000
q1 = 0.01
minDistance = 10
# 变成灰度图片
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
corners = cv2.goodFeaturesToTrack(gray,maxCorners,q1,minDistance)
corners = np.int0(corners)
# 打印角点
for i in corners:
x,y = i.ravel()
cv2.circle(img,(x,y),3,(255,0,0),-1)
cv2.imshow('img',img)
cv2.waitKey()
cv2.destroyAllWindows()