opencv 特征点检测与匹配-Harris角点检测+shi-Tomasi角点检测_opencv角点匹配

opencv 特征检测的应用场景

• 图像搜索，如以图搜图

• 拼图游戏

• 图像拼接，将两个有关联的图拼接到一起

拼图方法

• 寻找特征
• 特征是唯一的
• 可追踪的
• 能比较的

• 平坦部分很难找到它在原图的位置
• 边缘相比平坦要好找一些，但也不能一下确定
• 角点可以一下就能找到其在原图的位置

什么是特征

图像特征就是指有意义的图像区域，具有独特性，易于识别性，比如角点、斑点以及高密度区

角点

• 在特征中最重要的是角点
• 灰度梯度的最大值对应的像素
• 两条线的交点
• 极值点（一阶导数最大，但二阶导数为0）

Harris角点检测

Harris点

• 光滑地区，无论向哪个移动，衡量系数不变
• 边缘地区，垂直边缘移动时，衡量系统剧烈变化
• 在交点处，往那个方向移动，衡量系统都发生剧烈变化

API

• cornerHarrris(img,dst,blockSize,ksize,k)
• blockSize: 检测窗口大小
• ksize: Sobel的卷积核
• k 权重系数，经验值，一般取0.02-0.04之间

import cv2 as cv
import numpy as np

# 读取文件
img = cv.imread(r'C:\Users\Administrator\Desktop\hello.jpg')
# 灰度化
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# Harris角点检测
dst = cv.cornerHarris(gray,blockSize=2, ksize=3, k=0.04)

img[dst > 0.01*dst.max()] = [0, 0, 255]

cv.imshow('harris', img)
cv.waitKey(0)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

shi-Tomasi角点检测

• shi- tomasi是Harris角点检测的改进
• Harris角点检测算的稳定性和k有关，而k是个经验值，不好设定最佳值

goodFeaturesToTrack(img,maxCorners,…)

• maxCorners:角点的最大数，值为0表示无限制
• qualityLevel:小于1.0的正数，一般在0.01-0.1之间
• minDistance:角之间最小欧式距离，忽略小于此距离的点
• mask: 感兴趣的区域
• blockSize:检测窗口
• useHarrisDectector:是否使用Harris算法
• k :默认是0.04

import cv2 as cv
import numpy as np

# 读取文件
img = cv.imread(r'C:\Users\Administrator\Desktop\hello.jpg')
# 灰度化
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# Harris角点检测
# dst = cv.cornerHarris(gray,blockSize=2, ksize=3, k=0.04)

# shi-Tomasi角点检测
corners = cv.goodFeaturesToTrack(gray, maxCorners=1000, qualityLevel=0.01, minDistance=10)
# img[dst > 0.01*dst.max()] = [0, 0, 255]
corners= np.int0(corners)
print(corners)
for i in corners:
    x, y = i.ravel()
    cv.circle(img, (x, y), 3, (0, 255, 0),-1)


cv.imshow('harris', img)
cv.waitKey(0)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23