OpenCV进阶操作：角点检测

文章目录

一、角点检测
[二、Harris 角点检测（经典方法）](#二、Harris 角点检测（经典方法）)
[三、Shi-Tomasi 角点检测（Good Features to Track）](#三、Shi-Tomasi 角点检测（Good Features to Track）)
- 1、参数解释
- 2、代码示例
[四、FAST 角点检测（快速角点检测）](#四、FAST 角点检测（快速角点检测）)
- 1、参数解释
- 2、代码示例
总结

一、角点检测

1、定义

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。

2、检测流程

1）输入图像

将待检测的图像作为输入。

2）图像预处理

对输入图像进行必要的预处理，如灰度化、降噪等，以便更好地进行角点检测。

3）特征提取

使用角点检测算法对预处理后的图像进行角点特征提取。常见的角点检测算法有Harris角点检测算法、Shi-Tomasi角点检测算法等。

4）角点检测

根据所选的角点检测算法，计算图像中的每个像素点的角点响应值，以判断其是否为角点。具体算法会根据不同的方法而有所差异。

5）角点定位和标记

根据角点响应值，确定角点的位置，并进行标记。可以使用函数或算法来绘制或返回角点的位置信息。

6）角点筛选或后处理（可选）

根据具体需求，可以对检测到的角点进行筛选或进行后处理操作，如非极大值抑制、阈值过滤等，以去除不准确的角点或增强有效的角点。

7）输出结果

根据需要，可以将检测到的角点的位置信息、图像中绘制的标记或其他相关信息作为输出结果。

二、Harris 角点检测（经典方法）

1、参数解释

python 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

2、图片的读取以及灰度转换

python 复制代码

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

3、检测角点，并对响应值进行阈值处理

python 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)

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

1、参数解释

python 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）。

2、代码示例

python 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()

四、FAST 角点检测（快速角点检测）

1、参数解释

python 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。

2、代码示例

python 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()

总结

角点检测是计算机视觉中的一种特征检测方法，用于寻找图像中的角点或者具有角点特征的图像区域。角点是指图像中突然改变方向的点，即在其周围的不同方向上都有较大的灰度变化。角点具有一些特殊性质，如旋转不变性、尺度不变性和光照不变性等，因此在图像处理和计算机视觉中具有广泛的应用。