Python遥感图像处理应用篇039 GDAL遥感图像角点检测（Harris、Shi-Tomasi、FAST、SIFT、SURF、ORB、MinEngen、Brisk）更新中……

1.角点检测方法

遥感图像角点检测是一种用于识别图像中角点（也称为兴趣点）的方法，角点通常代表着图像中的显著特征点。以下是一些常用的遥感图像角点检测方法：

1. Harris 角点检测算法：Harris 算法通过计算图像中每个像素的灰度变化量，并结合局部邻域的自相关矩阵，来判断该点是否为角点。

2. Shi-Tomasi 角点检测算法：Shi-Tomasi 算法是对 Harris 算法的改进，它选取图像中最显著的角点，通过设置角点响应函数的阈值。

3. FAST（Features from Accelerated Segment Test）角点检测算法：FAST 角点检测算法是一种基于像素强度的高速角点检测方法，通过利用圆周上像素的灰度变化快速确定角点。

4. SIFT（Scale-Invariant Feature Transform）角点检测算法：SIFT 是一种局部特征描述符，其中包含了角点检测步骤，它可以在不同尺度和旋转下对角点进行检测。

5. SURF（Speeded-Up Robust Features）角点检测算法：SURF 是一种快速且具有尺度不变性的图像特征描述符，其中包含了用于角点检测的步骤。

6. ORB（Oriented FAST and Rotated BRIEF）角点检测算法：ORB 是一种基于 FAST 角点检测器和 BRIEF 描述符的算法，用于检测和描述图像中的角点。

7. MinEigen （角点检测器）：全称为 "Minimum Eigenvalue" 角点检测器。

   MinEigen 角点检测器是一种基于像素灰度值的方法，它使用了图像中的 Hessian 矩阵来检测角点。Hessian 矩阵描述了图像的局部结构信息，而最小特征值代表了灰度变化最明显的方向。MinEigen 角点检测器的工作原理如下：（1）对于图像中的每个像素点，构建一个局部窗口（通常是一个固定大小的正方形或圆）。（2）在窗口内计算 Hessian 矩阵。（3）计算 Hessian 矩阵的特征值，其中最小特征值表示该像素点的角点响应强度。（4）根据设定的阈值或其他规则来确定是否将该点标识为角点。（5）MinEigen 角点检测器相对于一些其他方法具有较好的响应速度，在计算上较为高效。它在许多计算机视觉应用中被广泛使用，如目标跟踪、图像拼接和三维重建等。

8. BRISK算法是2011年ICCV上《BRISK:Binary Robust Invariant Scalable Keypoints》文章中，提出来的一种特征提取算法，也是一种二进制的特征描述算子。它具有较好的旋转不变性、尺度不变性，较好的鲁棒性。在图像配准应用中，速度比较：SIFT>SURF>BRISK>FREAK>ORB，在对有较大模糊的图像配准时，BRISK算法在其中表现最为出色。

这些方法在遥感图像处理中常被广泛应用，可以用于目标检测、图像匹配、图像拼接等任务。根据实际需求和图像特征，选择适合的角点检测方法进行处理。不同的角点检测方法有各自的优缺点和适用条件，在实际应用中需要根据具体情况进行选择和调整参数

2.python实现代码及效果展示

2.1 Harris角点检测

代码函数：

get_img_Harris(inputimgfile,k=0.04,window_size=3,IsAllBands=True，band_num=1)

参数：k=0.04,window_size = 3,IsAllBands=False,band_num=1

IsAllBands=False，只计算band_num波段

IsAllBands=True，计算所有波段。

from osgeo import gdal
import numpy as np
from scipy.ndimage import convolve

#定义角点计算函
def get_Harris(image,k,window_size):
    # 运行 Harris 角点检测算法
    # 计算图像的梯度
    dx = np.gradient(image, axis=1)