图像处理案例三之（1）角点检测harris

import cv2 as cv import numpy as np """"" cv2.cornerHarris() 可以用来进行角点检测。参数如下： • img - 数据类型为 float32 的输入图像。 • 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] """"" src_inital = cv.imread("E:/opencv/picture/building.jpg") src = cv.cvtColor(src_inital,cv.COLOR_BGR2GRAY) src = np.float32(src) dst = cv.cornerHarris(src,3,3,0.04) #R值是由det(M)-K(trace(M))*(trace(M)),当该点是角点时，该点所对应的R值就会很大，通过设置对R的阈值，就可以筛选得到角点 #这里的dst就是R值构成的灰度图像,灰度图像坐标会与原图像对应,Ｒ值就是角点分数,当Ｒ值很大的时候　就可以认为这个点是一个角点 print(dst.shape) src_inital[dst>0.08*dst.max()]=[0,0,255] """"" src_inital[dst>0.08*dst.max()]=[0,0,255] 这句话来分析一下 dst>0.08*dst.max()这么多返回是满足条件的dst索引值,根据索引值来设置这个点的颜色 这里是设定一个阈值　当大于这个阈值分数的都可以判定为角点 dst其实就是一个个角度分数R组成的,当λ1和λ2都很大，R 也很大,（λ1和λ2中的最小值都大于阈值）说明这个区域是角点。 那么这里为什么要大于0.08×dst.max()呢　注意了这里R是一个很大的值,我们选取里面最大的Ｒ,然后只要dst里面的值大于百分之八的Ｒ的最大值　 那么此时这个dst的Ｒ值也是很大的　可以判定他为角点，也不一定要0.08可以根据图像自己选取不过如果太小的话　可能会多圈出几个不同的角点 """"" cv.imshow("inital_window",src_inital) cv.waitKey(0) cv.destroyAllWindows() 目标： 理解Harris角点检测的概念 使用函数cv2.cornerHarris()，cv2.cornerSubPix() 原理： Harris 角点检测的方法大概原理就是建立一个窗口区域，然后以当前窗口为中心向各个方向进行偏移。 如上图所示，第一个窗口向各个方向偏移的时候，像素值没有变化，因为窗口偏移的时候没有遇到任何边缘信息。 第二个图，窗口当中有一个直线（即block是在边缘上），如果当前窗口进行上下的移动，也没有像素值发生变化（在其他方向上灰度值也会变化）。 第三个图，窗口覆盖了一个“拐角”，如果窗口进行偏移，任何方向上都会有像素变化。 所以，第三张图片判断为检测到角点。 判断特征点是否为角点的依据：R只与M值有关，R为大数值正数时特征点为角点，R为大数值负数时为边缘，R为小数值时为平坦区 寻找R位于一定阈值之上的局部最大值，去除伪角点。 方向导数IxIx和IyIy可以使用cv2.Sobel()函数得到 Harris角点检测的结果是灰度图，图中的值为角点检测的打分值。需要选取合适的阈值对结果进行二值化来检测角点。