社区微信群开通啦，扫一扫抢先加入社区官方微信群
社区微信群
内容来自OpenCV-Python Tutorials 自己翻译整理
目标：
理解Harris角点检测的概念
使用函数cv2.cornerHarris()，cv2.cornerSubPix()
原理：
借上面参考博客的一张图
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，像素的值没有变化，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，如果当前窗口进行上下的移动，也没回有像素值发生变化（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。
设图像
使用泰勒展开式对图像
其中
将上面得到的结果代入第一个公式中
使用矩阵的表示方法就是
(图片来自上面的网站，为了方便，直接截图)
可以将图中的第一个公式看成是一个椭圆的方程，矩阵的特征值就是它的长轴和短轴长度。
记为
可以根据这些特征值判断一个区域是否是角点，这里使用打分函数
k值一般取0.04到0.06
如下图
方向导数
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。
opencv中的Harris检测方法
使用函数 cv2.cornerHarris()
参数如下：
代码如下
import cv2
import numpy as np
filename = '2.jpg'
img = cv2.imread(filename)
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)
#图像转换为float32
dst = cv2.cornerHarris(gray,2,3,0.04)
#result is dilated for marking the corners, not important
dst = cv2.dilate(dst,None)#图像膨胀
# Threshold for an optimal value, it may vary depending on the image.
#print(dst)
#img[dst>0.00000001*dst.max()]=[0,0,255] #可以试试这个参数，角点被标记的多余了一些
img[dst>0.01*dst.max()]=[0,0,255]#角点位置用红色标记
#这里的打分值以大于0.01×dst中最大值为边界
cv2.imshow('dst',img)
if cv2.waitKey(0) & 0xff == 27:
cv2.destroyAllWindows()能看到有些红点
如果打分值降低为0.00000001*dst.max()
结果如下
亚像素级精确度的角点
使用cv2.cornerSubPix()函数
首先找到Harris角点，然后将找到某个角点的所有角点坐标值的重心传入该函数（因为一个角点上面可能一堆找到的角点值，需要取重心）
红色标记Harris角点，绿色像素标记修正后的角点。进行迭代运算，迭代一定次数后停止即可。
import cv2
import numpy as np
filename = 'chessboard2.jpg'
img = cv2.imread(filename)
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#找到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)
#找到重心
ret, labels, stats, centroids = cv2.connectedComponentsWithStats(dst)
#定义迭代次数
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)
#返回角点
#绘制
res = np.hstack((centroids,corners))
res = np.int0(
如果觉得我的文章对您有用，请随意打赏。你的支持将鼓励我继续创作！
