前言
这篇博客将了解什么是特征，角点，哈里斯角点检测（Harris Corner Detection）的概念。并使用cv2.cornerHarris()，cv2.cornerSubPix()实现哈里斯角点检测；
1. 效果图
原图 VS Harris角点检测效果图如下：
原图 VS Harris角点检测效果图如下：
惊细角点效果图如下：Harris角点用红色像素标记，精细角点用绿色像素标记
惊细角点效果图如下：Harris角点用红色像素标记，精细角点用绿色像素标记
2. 原理
图像最重要的一个要素是特征，一旦有了特征及其描述，就可以在所有图像中找到相同的特征，并将它们对齐、缝合或执行任何您想要的操作。
特征可分为角、边、平面，OpenCV提供了许多不同的算法来查找特征、描述特征、匹配特征等。
角点是图像中各个方向上强度变化较大的区域。
Harris角点检测的结果是一个灰度图像与这些分数。对一个合适的图像进行阈值化可以得到图像中的角点。
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
img： 输入图像，灰度图像，float32
blockSize: 用于角点检测的邻域的大小
ksize: Sobel导数的孔径参数
k: 方程中的k-Harris检测器自由参数
dst：返回值，灰度图像
corners = cv2.cornerSubPix(gray, np.float32(centroids), (5, 5), (-1, -1), criteria)
具有亚像素精度的角点：有时可能需要以最大的精度找到角点。OpenCV附带了一个函数cv2.cornerSubPix（），它可以进一步细化以亚像素精度检测到的角点。
使用 Harris 角点检测器检查逆矩阵的相似性。它表示角点是更好的跟踪点。
3. 源码
3.1 Harris角点检测
# Harris角点检测
import cv2
import numpy as np
img = cv2.imread('images/polygon.jpg')
img = cv2.imread('images/opencv_logo.jpg')
print(img.shape)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow("origin", img)
cv2.waitKey(0)
gray = np.float32(gray)
# res = cv2.cornerHarris(gray, 2, 3, 0.04)
# - img： 输入图像，灰度图像，float32
# - blockSize: 用于角点检测的邻域的大小
# - ksize: Sobel导数的孔径参数
# - k: 方程中的k-Harris检测器自由参数
# - res：返回值，灰度图像
res = cv2.cornerHarris(gray, 2, 3, 0.04)
# 扩大标记的内容
res = cv2.dilate(res, None)
# 最佳阈值因图而异
img[res > 0.01 * res.max()] = [0, 0, 255]
cv2.imshow('Harris res', img)
if cv2.waitKey(0) 0xff == 27:
cv2.destroyAllWindows()
3.2 精细角点检测
# 具有亚像素精度的角点
# 有时可能需要以最大的精度找到角点。OpenCV附带了一个函数cv2.cornerSubPix（），它可以进一步细化以亚像素精度检测到的角点。
import cv2
import imutils
import numpy as np
filename = 'images/polygon.jpg'
img = cv2.imread(filename)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 寻找Harris角点
gray = np.float32(gray)
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
dst = cv2.dilate(dst, None)
ret, dst = cv2.threshold(dst, 0.01 * dst.max(), 255, 0)
dst = np.uint8(dst)
# 寻找中心点
ret, labels, stats, centroids = cv2.connectedComponentsWithStats(dst)
# 定义停止和细化角点的条件
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.001)
corners = cv2.cornerSubPix(gray, np.float32(centroids), (5, 5), (-1, -1), criteria)
# 绘制角点和细化的亚像素点
res = np.hstack((centroids, corners))
res = np.int0(res)
# Harris角点用红色像素标记，精细角点用绿色像素标记
img[res[:, 1], res[:, 0]] = [0, 0, 255]
img[res[:, 3], res[:, 2]] = [0, 255, 0]
gray = cv2.cvtColor(gray, cv2.COLOR_GRAY2BGR)
cv2.imshow("gray", img)
gray[res[:, 1], res[:, 0]] = [0, 0, 255]
gray[res[:, 3], res[:, 2]] = [0, 255, 0]
cv2.imshow('cornerSubPix res', imutils.resize(img, width=600))
cv2.waitKey(0)
参考 https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_feature2d/py_features_harris/py_features_harris.html#harris-corners
总结
到此这篇关于OpenCV特征提取与检测之Harris角点检测的文章就介绍到这了,更多相关OpenCV Harris角点检测内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
您可能感兴趣的文章:- Python使用Opencv实现图像特征检测与匹配的方法
- opencv2基于SURF特征提取实现两张图像拼接融合
- Android基于OpenCV实现Harris角点检测
- OpenCV哈里斯(Harris)角点检测的实现
- Python中OpenCV图像特征和harris角点检测
