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

本文主要是介绍opencv 特征点检测与匹配-Harris角点检测+shi-Tomasi角点检测，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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

在这里插入图片描述

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

在这里插入图片描述
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)

在这里插入图片描述

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)