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

1. 计算图像X方向与Y方向的一阶高斯偏导数Ix与Iy
2. 根据第一步结果得到Ix^2 , Iy^2与Ix*Iy值
3. 高斯模糊第二步三个值得到Sxx, Syy, Sxy
4. 定义每个像素的Harris矩阵，计算出矩阵的两个特质值
5. 计算出每个像素的R值
6. 使用3X3或者5X5的窗口，实现非最大值压制
7. 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/python import cv2 import numpy as np  filename = '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 np import cv2 as cv from matplotlib import pyplot as plt  img = 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。