python+opencv之特征检测（Harris篇）

一、什么是特征

粗略的讲，特征是有意义的图像区域，该区域具有独特性或易于识别性 

可以作为特征的：角点、斑点、边缘等等

 

二、常见的几种特征检测算法

• Harris：该算法用于检测角点
• SIFT：该算法用于检测斑点
• SURF：该算法用于检测斑点
• FAST：该算法用于检测角点
• BRIEF：该算法用于检测斑点
• ORB：该算法代表带方向的FAST算法与具有旋转不变性的BRIEF算法

 三、Harris角点检测

角点并没有很明确的定义，主要指的是轮廓的交点，用数学意义来讲就是图像中亮度变化剧烈的点，或者是边缘中曲率取极大值的点，或者说这个点在邻域中具有两个方向的特征点。

在当前图像处理领域，角点检测可分为以下三类：

• 基于灰度图像的角点检测
• 基于二值图像的角点检测
• 基于轮廓曲线的角点检测

基于灰度的又分为三种：基于梯度的、基于模板的、基于模板梯度组合 

其中基于模板的主要考虑像素领域点的灰度变化，即图像亮度的变化，将与邻点亮度对比度足够大的点定义为角点，Harris就属于这种检测方法。

主要公式：

当窗口发生[u,v]移动时，那么滑动前与滑动后对应的窗口中的像素点灰度变化描述如下：

• >[u,v]是窗口的偏移量
• >(x,y)是窗口内所对应的像素坐标位置，窗口有多大，就有多少个位置
• >w(x,y)是窗口函数，最简单情形就是窗口内的所有像素所对应的w权重系数均为1。

上式泰勒展开，经过一系列因式分解，变换后可得以下形式

M矩阵判断图像特征：

• 特征值都比较大时，即窗口中含有角点
• 特征值一个较大，一个较小，窗口中含有边缘
• 特征值都比较小，窗口处在平坦区域

其中k是常量，一般取值为0.04~0.06，这个参数仅仅是这个函数的一个系数，它的存在只是调节函数的形状而已。

该算法详细理论可见opencv-python 教程或https://blog.youkuaiyun.com/lwzkiller/article/details/54633670

四 opencv-python 代码示例

import numpy as np
import cv2 as cv
#输入图像
filename = 'chessboard.png'
img = cv.imread(filename)
#灰度化
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
gray = np.float32(gray)
#检测角点
dst = cv.cornerHarris(gray,2,3,0.04)

#更便于标记角点，可以去掉
dst = cv.dilate(dst,None)

# Threshold for an optimal value, it may vary depending on the image.
img[dst>0.01*dst.max()]=[0,0,255]

#防止图片输出时过大
cv2.namedWindow('dst',cv2.WINDOW_KEEPRATIO)
cv.imshow('dst',img)
if cv.waitKey(0) & 0xff == 27:
    cv.destroyAllWindows()

 

dst=cv2.cornerHarris(src, blockSize, ksize, k[, dst[, borderType]])

• dst：Harri算法的输出矩阵（输出图像），CV_32FC1类型，与src有同样的尺寸
• src：输入图像，单通道，8位或浮点型
• blockSize：int类型的blockSize，表示邻域的大小，对每个像素，考虑blockSize×blockSize大小的邻域，在邻域上计算图像的2x2梯度的协方差矩阵M。
• ksize：int类型的ksize，为Soble算子核尺寸，如果小于0，采用3×3的Scharr滤波器。
• k：double类型的k，为角点响应函数中的经验常数（0.04~0.06）。

cv2.namedWindow('dst',cv2.WINDOW_KEEPRATIO)

•  预先创建一个窗口显示图片
• 参数1(‘dst’)：窗口的名称
• 参数2：窗口的标识，一般默认为WINDOW_AUTOSIZE 。cv2.WINDOW_KEEPRATIO为图片尺寸保持比例

其他参数具体可见博客https://blog.youkuaiyun.com/xykenny/article/details/90513480

 

本文撰写中借鉴了文中优秀的博客，在此致谢