OpenCv高阶（四）——角点检测

一、角点检测

在计算机视觉中，角点检测是识别图像中局部区域（角点）的关键技术，这些区域通常是两条或多条边缘的交点，具有丰富的结构信息，常用于图像匹配、跟踪、三维重建等任务。

Harris角点检测算法是一种常用的计算机视觉算法，用于检测图像中的角点。该算法通过计算图像中每个像素的局部自相关矩阵，来判断该像素是否为角点。

角点检测算法的基本思想：

使用一个固定的小窗口在图像上进行任意方向的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化（sobel算子，在图像的边缘检测中有详细解释），那么我们可以认为该窗口中存在角点。

1、Harris 角点检测（经典方法）

1. 原理

基于图像局部灰度变化，通过计算像素点在x/y 方向的梯度 ，构建结构张量矩阵 （梯度自相关矩阵），再通过响应函数判断是否为角点：

复制代码

角点指图像中局部区域与周围区域有较大灰度变化的点或像素。
cornerHarris(img, blockSize, ksize, k[, dst[, borderType]]) -> dst
    • img:单通道灰度图像（数据类型为 float32）。
　　• blockSize: 计算角点时考虑的邻域大小（如 2 表示 2x2 邻域）。
　　• ksize:Sobel 梯度计算的核大小（常用 3）。
　　• k: 响应函数中的参数，影响角点检测的敏感度（k 越小，检测到的角点越多）。,取值参数为 [0.04,0.06]。
   dst:返回numpy.ndarray对象,大小和src相同,值越大,对应像素点是角的概率越高

1、图片的读取以及灰度转换

复制代码

img = cv2.imread('huanghelou.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

2、检测角点，并对响应值进行阈值处理

复制代码

dst = cv2.cornerHarris(gray,4,3,0.04)
# 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绿色。
cv2.imshow('img',img)
cv2.waitKey(0)

2、Shi-Tomasi 角点检测（Good Features to Track）

1. 原理

Harris 算法的改进版，直接利用矩阵 M 的最小特征值判断角点：

若最小特征值大于阈值，则认为是角点（相比 Harris 更鲁棒，尤其在图像跟踪中表现更好）。

2. OpenCV 函数

复制代码

corners = cv2.goodFeaturesToTrack(gray_img, maxCorners, qualityLevel, minDistance)

参数：
- maxCorners：最多检测的角点数量（若角点数量超过，按响应值降序筛选）。
- qualityLevel：角点质量阈值（0~1，值越小保留的角点越多，通常取 0.01~0.1）。
- minDistance：角点之间的最小像素距离（避免密集角点）。
输出：角点坐标数组（形状为 (N, 1, 2)，N 为角点数量）。

3. 示例代码

复制代码

import cv2
import numpy as np

img = cv2.imread('building.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Shi-Tomasi角点检测
corners = cv2.goodFeaturesToTrack(gray, maxCorners=100, qualityLevel=0.01, minDistance=10)
corners = np.int0(corners)  # 转换为整数坐标

# 绘制角点
for corner in corners:
    x, y = corner.ravel()
    cv2.circle(img, (x, y), 3, (0, 255, 0), -1)  # 绿色圆点标记

cv2.imshow('Shi-Tomasi Corners', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

3、FAST 角点检测（快速角点检测）

1. 原理

基于像素灰度差异的高效角点检测算法，核心思想是：若某像素点与其周围 16 个像素中的 N 个（如 9 个）灰度差异足够大，则认为是角点（称为 FAST-9）。

优点：速度极快，适合实时应用。
缺点：对噪声敏感，需结合非极大值抑制（NMS）筛选角点。

2. OpenCV 函数

复制代码

fast = cv2.FastFeatureDetector_create(threshold=10, nonmaxSuppression=True)
corners = fast.detect(gray_img, None)

参数：
- threshold：灰度差异阈值（值越小，检测到的角点越多）。
- nonmaxSuppression：是否启用非极大值抑制（建议设为 True，避免密集角点）。
输出：KeyPoint 对象列表，包含角点坐标、大小等信息。

3. 示例代码

复制代码

import cv2

img = cv2.imread('fast_corner.jpg', cv2.IMREAD_GRAYSCALE)

# 创建FAST检测器
fast = cv2.FastFeatureDetector_create(threshold=10, nonmaxSuppression=True)

# 检测角点
corners = fast.detect(img, None)

# 绘制角点
img_color = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
cv2.drawKeypoints(img_color, corners, img_color, color=(0, 255, 0), flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

cv2.imshow('FAST Corners', img_color)
cv2.waitKey(0)
cv2.destroyAllWindows()

二、算法对比与选择

算法	优点	缺点	适用场景
Harris	经典方法，检测稳定	计算量大，角点密集	学术研究、全局角点检测
Shi-Tomasi	跟踪效果好，抑制边缘响应	依赖参数调优	图像跟踪（如 LK 光流）
FAST	速度极快，适合实时应用	对噪声敏感，需 NMS	实时系统（如无人机、机器人）

三、注意事项

输入图像预处理：
- 必须为单通道灰度图（彩色图需先转换为灰度图）。
- 建议先进行高斯模糊降噪（如 cv2.GaussianBlur），减少噪声对角点检测的影响。
参数调优：
- qualityLevel（Shi-Tomasi）和 threshold（FAST）需根据图像对比度调整，避免检测到过多或过少角点。
- minDistance 用于控制角点密度，避免相邻过近的角点。
角点响应可视化：
- Harris 的响应值需通过阈值（如全局最大值的 1%~5%）筛选后标记。
- Shi-Tomasi 和 FAST 可直接通过坐标绘制角点。

总结

角点检测是图像特征提取的基础步骤，OpenCV 提供了从经典（Harris）到高效（FAST）的多种算法。选择时需结合场景需求：

追求精度和稳定性：Shi-Tomasi（推荐用于跟踪任务）。
追求速度：FAST（需配合 NMS 和降噪）。
学术研究或通用场景：Harris（理解角点检测的数学原理）。通过合理调整参数和预处理，可有效提升角点检测的效果，为后续计算机视觉任务奠定基础。