一、角点检测
在计算机视觉中，角点检测是识别图像中局部区域（角点）的关键技术，这些区域通常是两条或多条边缘的交点，具有丰富的结构信息，常用于图像匹配、跟踪、三维重建等任务。
Harris角点检测算法是一种常用的计算机视觉算法，用于检测图像中的角点。该算法通过计算图像中每个像素的局部自相关矩阵，来判断该像素是否为角点。
角点检测算法的基本思想：
使用一个固定的小窗口在图像上进行任意方向的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化（sobel算子，在图像的边缘检测中有详细解释），那么我们可以认为该窗口中存在角点。
1、Harris 角点检测（经典方法）
1. 原理
基于图像局部灰度变化，通过计算像素点在x/y 方向的梯度，构建结构张量矩阵（梯度自相关矩阵），再通过响应函数判断是否为角点：
角点指图像中局部区域与周围区域有较大灰度变化的点或像素。 cornerHarris(img, blockSize, ksize, k[, dst[, borderType]]) -> dst • img:单通道灰度图像（数据类型为 float32）。 • blockSize: 计算角点时考虑的邻域大小（如 2 表示 2x2 邻域）。 • ksize:Sobel 梯度计算的核大小（常用 3）。 • k: 响应函数中的参数，影响角点检测的敏感度（k 越小，检测到的角点越多）。,取值参数为 [0.04,0.06]。 dst:返回numpy.ndarray对象,大小和src相同,值越大,对应像素点是角的概率越高
1、图片的读取以及灰度转换
img = cv2.imread('huanghelou.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)2、检测角点，并对响应值进行阈值处理
dst = cv2.cornerHarris(gray,4,3,0.04)
# 标记检测到的角点
img[dst > 0.01 * dst.max()] = [0, 255, 0]
# 这里通过对角点响应进行阈值处理，标记出检测到的角点。
# 0.05 * dst.max() 是一个阈值，大于这个值的像素点会被标记为绿色。
cv2.imshow('img',img)
cv2.waitKey(0)
2、Shi-Tomasi 角点检测（Good Features to Track）
1. 原理
Harris 算法的改进版，直接利用矩阵 M 的最小特征值判断角点：
- 若最小特征值大于阈值，则认为是角点（相比 Harris 更鲁棒，尤其在图像跟踪中表现更好）。
2. OpenCV 函数
corners = cv2.goodFeaturesToTrack(gray_img, maxCorners, qualityLevel, minDistance)
- 参数：
maxCorners：最多检测的角点数量（若角点数量超过，按响应值降序筛选）。qualityLevel：角点质量阈值（0~1，值越小保留的角点越多，通常取 0.01~0.1）。minDistance：角点之间的最小像素距离（避免密集角点）。
- 输出：角点坐标数组（形状为
(N, 1, 2)，N 为角点数量）。
3. 示例代码
import cv2
import numpy as np
img = cv2.imread('building.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# Shi-Tomasi角点检测
corners = cv2.goodFeaturesToTrack(gray, maxCorners=100, qualityLevel=0.01, minDistance=10)
corners = np.int0(corners) # 转换为整数坐标
# 绘制角点
for corner in corners:
x, y = corner.ravel()
cv2.circle(img, (x, y), 3, (0, 255, 0), -1) # 绿色圆点标记
cv2.imshow('Shi-Tomasi Corners', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
3、FAST 角点检测（快速角点检测）
1. 原理
基于像素灰度差异的高效角点检测算法，核心思想是：若某像素点与其周围 16 个像素中的 N 个（如 9 个）灰度差异足够大，则认为是角点（称为 FAST-9）。
- 优点：速度极快，适合实时应用。
- 缺点：对噪声敏感，需结合非极大值抑制（NMS）筛选角点。
2. OpenCV 函数
fast = cv2.FastFeatureDetector_create(threshold=10, nonmaxSuppression=True)
corners = fast.detect(gray_img, None)
- 参数：
threshold：灰度差异阈值（值越小，检测到的角点越多）。nonmaxSuppression：是否启用非极大值抑制（建议设为 True，避免密集角点）。
- 输出：
KeyPoint对象列表，包含角点坐标、大小等信息。
3. 示例代码
import cv2
img = cv2.imread('fast_corner.jpg', cv2.IMREAD_GRAYSCALE)
# 创建FAST检测器
fast = cv2.FastFeatureDetector_create(threshold=10, nonmaxSuppression=True)
# 检测角点
corners = fast.detect(img, None)
# 绘制角点
img_color = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
cv2.drawKeypoints(img_color, corners, img_color, color=(0, 255, 0), flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imshow('FAST Corners', img_color)
cv2.waitKey(0)
cv2.destroyAllWindows()
二、算法对比与选择
| 算法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| Harris | 经典方法，检测稳定 | 计算量大，角点密集 | 学术研究、全局角点检测 |
| Shi-Tomasi | 跟踪效果好，抑制边缘响应 | 依赖参数调优 | 图像跟踪（如 LK 光流） |
| FAST | 速度极快，适合实时应用 | 对噪声敏感，需 NMS | 实时系统（如无人机、机器人） |
三、注意事项
-
输入图像预处理：
- 必须为单通道灰度图（彩色图需先转换为灰度图）。
- 建议先进行高斯模糊降噪（如
cv2.GaussianBlur），减少噪声对角点检测的影响。
-
参数调优：
qualityLevel（Shi-Tomasi）和threshold（FAST）需根据图像对比度调整，避免检测到过多或过少角点。minDistance用于控制角点密度，避免相邻过近的角点。
-
角点响应可视化：
- Harris 的响应值需通过阈值（如全局最大值的 1%~5%）筛选后标记。
-
Shi-Tomasi 和 FAST 可直接通过坐标绘制角点。
总结
角点检测是图像特征提取的基础步骤，OpenCV 提供了从经典（Harris）到高效（FAST）的多种算法。选择时需结合场景需求：
- 追求精度和稳定性：Shi-Tomasi（推荐用于跟踪任务）。
- 追求速度：FAST（需配合 NMS 和降噪）。
- 学术研究或通用场景：Harris（理解角点检测的数学原理）。 通过合理调整参数和预处理，可有效提升角点检测的效果，为后续计算机视觉任务奠定基础。
![[redis进阶一]redis的持久化(2)AOF篇章](https://i-blog.csdnimg.cn/direct/9b251a0d561a47578b10a3e86944c1ae.png)
