一、角點檢測
在計算機視覺中，角點檢測是識別圖像中局部區域（角點）的關鍵技術，這些區域通常是兩條或多條邊緣的交點，具有豐富的結構信息，常用于圖像匹配、跟蹤、三維重建等任務。
Harris角點檢測算法是一種常用的計算機視覺算法，用于檢測圖像中的角點。該算法通過計算圖像中每個像素的局部自相關矩陣，來判斷該像素是否為角點。
角點檢測算法的基本思想：
使用一個固定的小窗口在圖像上進行任意方向的滑動，比較滑動前與滑動后兩種情況，窗口中的像素灰度變化程度，如果存在任意方向上的滑動，都有著較大灰度變化（sobel算子，在圖像的邊緣檢測中有詳細解釋），那么我們可以認為該窗口中存在角點。
1、Harris 角點檢測（經典方法）
1.?原理
基于圖像局部灰度變化，通過計算像素點在x/y 方向的梯度，構建結構張量矩陣（梯度自相關矩陣），再通過響應函數判斷是否為角點：
角點指圖像中局部區域與周圍區域有較大灰度變化的點或像素。 cornerHarris(img, blockSize, ksize, k[, dst[, borderType]]) -> dst? img:單通道灰度圖像（數據類型為 float32）。? blockSize: 計算角點時考慮的鄰域大小（如 2 表示 2x2 鄰域）。? ksize:Sobel 梯度計算的核大小（常用 3）。? k: 響應函數中的參數，影響角點檢測的敏感度（k 越小，檢測到的角點越多）。,取值參數為 [0.04,0.06]。dst:返回numpy.ndarray對象,大小和src相同,值越大,對應像素點是角的概率越高
?1、圖片的讀取以及灰度轉換
img = cv2.imread('huanghelou.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)?2、檢測角點，并對響應值進行閾值處理
dst = cv2.cornerHarris(gray,4,3,0.04)
# 標記檢測到的角點
img[dst > 0.01 * dst.max()] = [0, 255, 0]
# 這里通過對角點響應進行閾值處理，標記出檢測到的角點。
# 0.05 * dst.max() 是一個閾值，大于這個值的像素點會被標記為綠色。
cv2.imshow('img',img)
cv2.waitKey(0)
2、Shi-Tomasi 角點檢測（Good Features to Track）
1.?原理
Harris 算法的改進版，直接利用矩陣?M?的最小特征值判斷角點：
- 若最小特征值大于閾值，則認為是角點（相比 Harris 更魯棒，尤其在圖像跟蹤中表現更好）。
2.?OpenCV 函數
corners = cv2.goodFeaturesToTrack(gray_img, maxCorners, qualityLevel, minDistance)
- 參數：
maxCorners：最多檢測的角點數量（若角點數量超過，按響應值降序篩選）。qualityLevel：角點質量閾值（0~1，值越小保留的角點越多，通常取 0.01~0.1）。minDistance：角點之間的最小像素距離（避免密集角點）。
- 輸出：角點坐標數組（形狀為?
(N, 1, 2)，N 為角點數量）。
3.?示例代碼
import cv2
import numpy as npimg = cv2.imread('building.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# Shi-Tomasi角點檢測
corners = cv2.goodFeaturesToTrack(gray, maxCorners=100, qualityLevel=0.01, minDistance=10)
corners = np.int0(corners) # 轉換為整數坐標# 繪制角點
for corner in corners:x, y = corner.ravel()cv2.circle(img, (x, y), 3, (0, 255, 0), -1) # 綠色圓點標記cv2.imshow('Shi-Tomasi Corners', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
3、FAST 角點檢測（快速角點檢測）
1.?原理
基于像素灰度差異的高效角點檢測算法，核心思想是：若某像素點與其周圍 16 個像素中的 N 個（如 9 個）灰度差異足夠大，則認為是角點（稱為 FAST-9）。
- 優點：速度極快，適合實時應用。
- 缺點：對噪聲敏感，需結合非極大值抑制（NMS）篩選角點。
2.?OpenCV 函數
fast = cv2.FastFeatureDetector_create(threshold=10, nonmaxSuppression=True)
corners = fast.detect(gray_img, None)
- 參數：
threshold：灰度差異閾值（值越小，檢測到的角點越多）。nonmaxSuppression：是否啟用非極大值抑制（建議設為 True，避免密集角點）。
- 輸出：
KeyPoint?對象列表，包含角點坐標、大小等信息。
3.?示例代碼
import cv2img = cv2.imread('fast_corner.jpg', cv2.IMREAD_GRAYSCALE)# 創建FAST檢測器
fast = cv2.FastFeatureDetector_create(threshold=10, nonmaxSuppression=True)# 檢測角點
corners = fast.detect(img, None)# 繪制角點
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、算法對比與選擇
| 算法 | 優點 | 缺點 | 適用場景 |
|---|---|---|---|
| Harris | 經典方法，檢測穩定 | 計算量大，角點密集 | 學術研究、全局角點檢測 |
| Shi-Tomasi | 跟蹤效果好，抑制邊緣響應 | 依賴參數調優 | 圖像跟蹤（如 LK 光流） |
| FAST | 速度極快，適合實時應用 | 對噪聲敏感，需 NMS | 實時系統（如無人機、機器人） |
三、注意事項
-
輸入圖像預處理：
- 必須為單通道灰度圖（彩色圖需先轉換為灰度圖）。
- 建議先進行高斯模糊降噪（如?
cv2.GaussianBlur），減少噪聲對角點檢測的影響。
-
參數調優：
qualityLevel（Shi-Tomasi）和?threshold（FAST）需根據圖像對比度調整，避免檢測到過多或過少角點。minDistance?用于控制角點密度，避免相鄰過近的角點。
-
角點響應可視化：
- Harris 的響應值需通過閾值（如全局最大值的 1%~5%）篩選后標記。
-
Shi-Tomasi 和 FAST 可直接通過坐標繪制角點。
總結
角點檢測是圖像特征提取的基礎步驟，OpenCV 提供了從經典（Harris）到高效（FAST）的多種算法。選擇時需結合場景需求：
- 追求精度和穩定性：Shi-Tomasi（推薦用于跟蹤任務）。
- 追求速度：FAST（需配合 NMS 和降噪）。
- 學術研究或通用場景：Harris（理解角點檢測的數學原理）。 通過合理調整參數和預處理，可有效提升角點檢測的效果，為后續計算機視覺任務奠定基礎。
