類(lèi)似于人的眼睛和大腦，OpenCV可以檢測(cè)圖像的主要特征并將這 些特征提取到所謂的圖像描述符中。然后，可以將這些特征作為數(shù)據(jù)
庫(kù)，支持基于圖像的搜索。此外，我們可以使用關(guān)鍵點(diǎn)將圖像拼接起 來(lái)，組成更大的圖像。（想象一下把很多圖片放到一起組成一幅360°的全景圖。）

本節(jié)將展示如何使用OpenCV檢測(cè)圖像中的特征，并利用這些特征
匹配和檢索圖像。在本節(jié)的學(xué)習(xí)過(guò)程中，我們會(huì)獲取樣本圖像并檢測(cè)
其主要特征，然后試著在另一幅圖像中找到與樣本圖像匹配的區(qū)域。
我們還將找到樣本圖像和另一幅圖像匹配區(qū)域之間的單應(yīng)性或者空間
關(guān)系。

Harris角點(diǎn)檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域中一種經(jīng)典的角點(diǎn)檢測(cè)算法，它可以用于許多應(yīng)用場(chǎng)景。

以下是一些Harris角點(diǎn)檢測(cè)的應(yīng)用場(chǎng)景：

圖像配準(zhǔn)： 在圖像配準(zhǔn)中，Harris角點(diǎn)檢測(cè)可以用于找到兩幅圖像中具有相似特征的角點(diǎn)，從而進(jìn)行圖像對(duì)齊和匹配。

物體跟蹤： 在目標(biāo)跟蹤中，Harris角點(diǎn)檢測(cè)可以用于提取圖像中的顯著特征，幫助識(shí)別和跟蹤目標(biāo)。

攝像頭標(biāo)定： 在攝像頭標(biāo)定中，Harris角點(diǎn)檢測(cè)可以用于檢測(cè)攝像頭拍攝圖像中的角點(diǎn)，幫助計(jì)算攝像頭的內(nèi)參和外參。

三維重建： 在三維重建中，Harris角點(diǎn)檢測(cè)可以用于提取圖像中的關(guān)鍵特征點(diǎn)，幫助建立圖像間的對(duì)應(yīng)關(guān)系，從而實(shí)現(xiàn)場(chǎng)景的三維重建。

物體識(shí)別： 在物體識(shí)別中，Harris角點(diǎn)檢測(cè)可以用于提取圖像中的特征點(diǎn)，幫助識(shí)別和分類(lèi)不同的物體。

自動(dòng)駕駛： 在自動(dòng)駕駛領(lǐng)域，Harris角點(diǎn)檢測(cè)可以用于檢測(cè)圖像中的道路邊緣和關(guān)鍵特征，幫助自動(dòng)駕駛系統(tǒng)判斷道路情況。

圖像拼接： 在圖像拼接中，Harris角點(diǎn)檢測(cè)可以用于提取圖像中的角點(diǎn)，幫助找到不同圖像之間的對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)圖像拼接和全景圖生成。

圖像匹配： 在圖像匹配中，Harris角點(diǎn)檢測(cè)可以用于尋找兩幅圖像中具有相似特征的角點(diǎn)，從而進(jìn)行圖像配準(zhǔn)和匹配。

理解特征檢測(cè)和匹配的類(lèi)型

OpenCV中最常用的特征檢測(cè)和描述符提取算法如下：

• Harris：該算法適用于角點(diǎn)檢測(cè)。
• SIFT：該算法適用于斑點(diǎn)檢測(cè)。
• SURF：該算法適用于斑點(diǎn)檢測(cè)。
• FAST：該算法適用于角點(diǎn)檢測(cè)。
• BRIEF：該算法適用于斑點(diǎn)檢測(cè)。
• ORB：它是Oriented FAST和Rotated BRIEF的聯(lián)合縮寫(xiě)。ORB對(duì)于角點(diǎn)和斑點(diǎn)的組合檢測(cè)很有用。

可以通過(guò)下列方法進(jìn)行特征匹配：

• 蠻力匹配。
• 基于FLANN的匹配。

可以通過(guò)單應(yīng)性進(jìn)行空間驗(yàn)證。

究竟什么是特征？

為什么圖像的某個(gè)特定區(qū)域可以歸類(lèi)為特征，而其他區(qū)域則不能分類(lèi)為特征呢？廣義地說(shuō)，特征是圖像中獨(dú)特或容易識(shí)別的一個(gè)感興趣區(qū)域。具有高密度紋理細(xì)節(jié)的角點(diǎn)和區(qū)域是好的特征，而在低密度區(qū)域（如藍(lán)天）不斷重復(fù)出現(xiàn)的模式就不是好的特征。邊緣是好的特征，因?yàn)樗鼈儍A向于把圖像分割成兩個(gè)區(qū)域。斑點(diǎn)（與周?chē)鷧^(qū)域有很大差別的圖像區(qū)域）也是一個(gè)有趣的特征。

大多數(shù)特征檢測(cè)算法都圍繞著角點(diǎn)、邊緣和斑點(diǎn)的識(shí)別展開(kāi)，有
些還關(guān)注嶺（ridge）的概念，其中嶺可以概念化為細(xì)長(zhǎng)物體的對(duì)稱(chēng)
軸。（例如，想象一下識(shí)別圖像中的道路。）

有些算法更擅長(zhǎng)識(shí)別和提取特定類(lèi)型的特征，所以了解輸入圖像
是什么很重要，這樣就可以利用OpenCV中的最佳工具了。

檢測(cè)Harris角點(diǎn)

什么是角點(diǎn)？

在計(jì)算機(jī)視覺(jué)和圖像處理中，角點(diǎn)（Corner）是圖像中突出的、有角度的、明顯的像素點(diǎn)。角點(diǎn)通常位于圖像中物體的邊緣、紋理或其他特征的交叉點(diǎn)，是圖像中的顯著特征點(diǎn)。角點(diǎn)對(duì)于圖像處理中的許多任務(wù)，如特征匹配、目標(biāo)跟蹤、3D重建等，具有重要的作用。

角點(diǎn)具有以下特征：

局部極大值： 在角點(diǎn)周?chē)泥徲蛑?，角點(diǎn)的像素值應(yīng)該是局部最大值。

方向變化： 角點(diǎn)處的像素點(diǎn)方向會(huì)在不同方向上有較大的變化，這是因?yàn)榻屈c(diǎn)是明顯的圖像特征。

明暗對(duì)比： 角點(diǎn)處的像素點(diǎn)周?chē)赡苁敲靼祵?duì)比較大的區(qū)域，因?yàn)榻屈c(diǎn)是由物體的邊緣、紋理等特征交叉形成的。

可重復(fù)性： 角點(diǎn)在不同的尺度和旋轉(zhuǎn)下仍然可以被檢測(cè)到，這使得它們?cè)诓煌瑘?chǎng)景中都有用途。

下面看一下角點(diǎn)的類(lèi)型：

cv2.cornerHarris 函數(shù)說(shuō)明

dst=cv2.cornerHarris(img, blockSize, ksize, k)

公式中參數(shù)：

• img表示原始圖像
• blockSize表示角點(diǎn)檢測(cè)中的領(lǐng)域大小
• ksize表示Sobel求導(dǎo)中使用的窗口大小
• k表示Harris 角點(diǎn)檢測(cè)方程中的自由參數(shù),取值參數(shù)為[0,04, 0.06]

代碼示例：

import numpy as np
import cv2

# 讀取待檢測(cè)的圖像
img = cv2.imread('chess_board.png')
# 轉(zhuǎn)換為灰度圖像
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)
# 調(diào)用函數(shù) cornerHarris，檢測(cè)角點(diǎn)，其中參數(shù) 2 表示 Sobel 算子的孔徑大小，23 表示 Sobel 算子的孔徑大小，0.04 表示 Harris 角點(diǎn)檢測(cè)方程中的 k 值
dst = cv2.cornerHarris(gray,2,23,0.04)

dst = cv2.dilate(dst,None)
# 將檢測(cè)到的角點(diǎn)標(biāo)記出來(lái)
img[dst>0.01*dst.max()]=[0,0,255]

cv2.imshow('dst',img)

cv2.waitKey(0)
cv2.destroyAllWindows()

運(yùn)行效果：

這里，我們選取的像素的分值至少是最高分值的1%，并在原始圖
像中將這些像素涂成紅色。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-671081.html

到了這里，關(guān)于opencv進(jìn)階14-Harris角點(diǎn)檢測(cè)-cv2.cornerHarris的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！