一、Harris Corner Detection 触点检测

Harris角点检测由Chris Harris和Mike Stephens在1988年提出，是通过数学计算在图像上发现角点特征的一种算法，而且其具有旋转不变性的特质。OpenCV中的Shi-Tomasi角点检测就是基于Harris角点检测改进算法。

1. 算法步骤：

算法详细步骤

计算图像X方向与Y方向的一阶高斯偏导数Ix与Iy根据第一步结果得到Ix^2 , Iy^2与Ix*Iy值高斯模糊第二步三个值得到Sxx, Syy, Sxy定义每个像素的Harris矩阵，计算出矩阵的两个特质值计算出每个像素的R值使用3X3或者5X5的窗口，实现非最大值压制根据角点检测结果计算，最提取到的关键点以绿色标记，显示在原图上。

OpenCV的CornerHarris函数： cv2.cornerHarris(src=gray, blockSize=9, ksize=23, k=0.04)

参数说明：

src - 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].

示例代码：

# -*- coding: utf-8 -*-# !/usr/bin/pythonimport cv2import numpy as npfilename = 'test.jpg'img = cv2.imread(filename)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)gray = np.float32(gray)dst = cv2.cornerHarris(gray, 2, 3, 0.04)dst = cv2.dilate(dst, None)# Threshold for an optimal value, it may vary depending on the image.img[dst > 0.01 * dst.max()] = [0, 0, 255]cv2.imshow('dst', img)if cv2.waitKey(0) & 0xff == 27: cv2.destroyAllWindows()

二、Shi-Tomasi角点检测

Shi-Tomasi 算法是Harris 算法的改进。Harris 算法最原始的定义是将矩阵 M 的行列式值与 M 的迹相减，再将差值同预先给定的阈值进行比较。后来Shi 和Tomasi 提出改进的方法，若两个特征值中较小的一个大于最小阈值，则会得到强角点。

corners = cv.goodFeaturesToTrack( image, maxCorners, qualityLevel, minDistance[, corners[, mask[, blockSize[, useHarrisDetector[, k]]]]] )

import numpy as npimport cv2 as cvfrom matplotlib import pyplot as pltimg = cv.imread('t1.jpg')src = cv.cvtColor(img, cv.COLOR_BGR2RGB)gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)corners = cv.goodFeaturesToTrack(gray, 25, 0.01, 10)corners = np.int0(corners)for i in corners: x, y = i.ravel() cv.circle(img, (x, y), 3, 255, -1)plt.subplot(1, 2, 1)plt.title('src')plt.imshow(src)plt.subplot(1, 2, 2)plt.title('corners')img = cv.cvtColor(img, cv.COLOR_BGR2RGB)plt.imshow(img)plt.show()

三、DOG和SIFT算法

DoG是对同一图像使用不同高斯滤波器所得的结果。SIFT是通过一个特征向量来描述关键点周围区域的情况。

需要安装 opencv-contrib-python 库

import cv2# 读取图片并灰度处理imgpath = 'test.jpg'img = cv2.imread(imgpath)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建SIFT对象sift = cv2.xfeatures2d.SIFT_create()# 将图片进行SURF计算，并找出角点keypoints，keypoints是检测关键点# descriptor是描述符，这是图像一种表示方式，可以比较两个图像的关键点描述符，可作为特征匹配的一种方法。keypoints, descriptor = sift.detectAndCompute(gray, None)img = cv2.drawKeypoints(image=img, outImage=img, keypoints=keypoints, flags=cv2.DRAW_MATCHES_FLAGS_DEFAULT, color=(51, 163, 236))# 显示图片cv2.imshow('sift_keypoints', img)cv2.waitKey(0)cv2.destroyAllWindows()

四、SURF特征检测算法

比SIFT算法快，并吸收了SIFT算法的思想。SURF采用Hessian算法检测关键点，而SURF是提取特征，这个与SIFT很像。Opencv的SURF类是Hessian算法和SURF算法组合。

import cv2# 读取图片并灰度处理imgpath = 'test.jpg'img = cv2.imread(imgpath)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建SURF对象，对象参数float(4000)为阈值，阈值越高，识别的特征越小。sift = cv2.xfeatures2d.SURF_create(float(4000))# 将图片进行SURF计算，并找出角点keypoints，keypoints是检测关键点# descriptor是描述符，这是图像一种表示方式，可以比较两个图像的关键点描述符，可作为特征匹配的一种方法。keypoints, descriptor = sift.detectAndCompute(gray, None)img = cv2.drawKeypoints(image=img, outImage=img, keypoints=keypoints, flags=cv2.DRAW_MATCHES_FLAGS_DEFAULT, color=(51, 163, 236))# 显示图片cv2.imshow('sift_keypoints', img)cv2.waitKey(0)cv2.destroyAllWindows()

其它还有 FAST、BRIEF、ORB等特征检测算法。