计算机视觉——Opencv（角点检测和特征提取）

Harris 角点检测

1.什么是Harris 角点检测

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。

Harris 角点检测通过计算像素点在各个方向上的灰度变化，来判断该点是否为角点，其核心优势是具有旋转不变性。

2.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），那么我们可以认为该窗口中存在角点。

3.实现 Harris 角点检测

Harris 角点检测的核心函数是cornerHarris(img, blockSize, ksize, k[, dst[, borderType]]) -> dst

参数说明:

img: 输入图像。

blockSize: 角点检测中要考虑的领域大小。

ksize: Sobel求导中使用的窗口大小。

k: Harris角点检测方程中的自由参数，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

代码如下:

python 复制代码

import cv2
import numpy as np

img = cv2.imread(r"C:\Users\LEGION\Desktop\OIP-C.webp")
#转为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#执行Harris角点检测
dst = cv2.cornerHarris(gray, blockSize=4, ksize=3, k=0.04)

# 标记检测到的角点
img[dst > 0.01 * dst.max()] = [0, 0, 255]
# 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红色。

cv2.imshow('img', img)
cv2.waitKey(0)

图像预处理 ：彩色图像包含 RGB 三个通道的信息，角点检测只需要灰度信息即可，因此使用cv2.cvtColor()将彩色图转换为灰度图，减少计算量。

角点检测函数： cv2.cornerHarris()的返回值dst是一个与输入图像大小相同的 numpy 数组，每个元素对应原图像中对应像素点的角点响应值，响应值越高，该点是角点的可能性越大。

角点标记： 没有直接使用dst的原始值进行判断，而是使用阈值。这样可以过滤掉大量弱响应点，只保留最有可能的角点

运行结果:

SIFT 特征提取

1. 什么是 SIFT

SIFT(Scale Invariant Feature Transform)尺度不变特征变换。SIFT特征具有对旋转、尺度缩放、亮度变化等保持不变性，是一种非常稳定的局部特征。

2.SIFT 特征提取主要分为两个步骤

检测关键点（与 Harris 角点类似，但具有尺度不变性）。

计算关键点的描述符（将关键点转换为一组固定长度的向量，方便后期的特征匹配）。

3.SIFT算法的特点

1、图像的局部特征，对旋转、尺度缩放、亮度变化保持不变，对视角变化、仿射变换、噪声也保持一定程度的稳定性。

2、独特性好，信息量丰富，适用于海量特征库进行快速、准确的匹配。

3、多量性，即使是很少几个物体也可以产生大量的SIFT特征

4、高速性，经优化的SIFT匹配算法甚至可以达到实时性

5、扩招性，可以很方便的与其他的特征向量进行联合。

4.实现 SIFT 特征提取

python 复制代码

man = cv2.imread(r"C:\Users\LEGION\Desktop\OIP-C.webp")
man_gray = cv2.cvtColor(man, cv2.COLOR_BGR2GRAY)#
sift = cv2.SIFT_create()  #sift对象
kp = sift.detect(man_gray)


man_sift = cv2.drawKeypoints(man, kp, outImage=None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imshow('man_sift', man_sift)
cv2.waitKey(0)

# 使用sift.compute()计算关键点描述符，方便后期的特征匹配
kp, des = sift.compute(man, kp)  #
print(np.array(kp).shape, des.shape)
# 输出关键点的形状和描述符的形状。
# np.array(kp).shape 表示关键点的数量和属性。
# des.shape 表示描述符的数量和属性。

创建 SIFT 对象 ：cv2.SIFT_create()是创建 SIFT 特征提取对象的核心函数

检测关键点 ：sift.detect()接收灰度图作为输入，返回一个关键点列表kp，每个关键点包含多个属性：

kp.pt：关键点的 (x, y) 像素坐标。
kp.size：关键点的大小（对应尺度空间中的尺度）。
kp.angle：关键点的方向（范围 0-360 度，保证旋转不变性）。
kp.response：关键点的响应值，用于筛选强特征点。

计算描述符 ：sift.compute()用于计算关键点的描述符，描述符des是一个二维 numpy 数组，形状为(N, 128)，其中N是关键点的数量，128 表示每个关键点对应一个 128 维的向量。这个向量具有独特性，能够唯一描述一个关键点，为后期的图像特征匹配提供数据支持。

输出形状信息 ：np.array(kp).shape会输出关键点的数量（比如(120,)表示检测到 120 个关键点），des.shape会输出(120, 128)，表示 120 个关键点对应 120 个 128 维描述符。

运行结果：

表示 347个关键点对应 347 个 128 维描述符

注意：

SIFT 算法对图像的光照变化具有一定的鲁棒性，但在强光照差异下效果会下降。

检测到的关键点数量与图像的复杂度相关，图像纹理越丰富，关键点数量越多。

128 维描述符是 SIFT 算法的默认设置，具有良好的独特性和匹配性能，无需特别修改。