opencv学习笔记（十二）

harris角点检测：

#角点检测

import cv2
import numpy as np

"""cv2.cornerHarris()
    img:数据类型为float32
    bolckSize:角点检测中指定区域的大小
    ksize:Sobel求导中使用的窗口大小,一般为3
    K:取值参数为[0.04，0.06]"""

img = cv2.imread('C:/Users/hellou/Desktop/house.jpg')
print('img.shape',img.shape)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
print('dst.shape',dst.shape)

img[dst>0.01*dst.max()]=[0,0,255]#若大于max值的1%就认为是角点，且用[0, 0, 255]表示，即用红色表示
cv2.imshow('dst',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

res = np.hstack((img,img))
cv2.imshow('res',res)
cv2.waitKey(0)
cv2.destroyAllWindows()

除了Harris角点检测，OpenCV还提供了其他一些角点检测算法，如Shi-Tomasi角点检测（cv2.goodFeaturesToTrack()）和FAST角点检测（cv2.FastFeatureDetector_create()）。

1. Harris 角点检测算法:

   • 优点：简单、快速，对旋转和尺度变化具有一定的鲁棒性。
   • 缺点：对于强烈变换的图像（如平移和仿射变换）不太鲁棒。

2. Shi-Tomasi 角点检测算法:

   • 优点：对于角点的定位更准确，比 Harris 角点检测算法更稳定。
   • 缺点：相对较慢，无法提供角点的角度信息。

3. FAST 角点检测算法:

   • 优点：非常快速，适用于实时应用。
   • 缺点：对于噪声敏感，可能产生大量的假阳性。

4. BRIEF 描述符配对算法:

   • 优点：快速，适用于实时应用。
   • 缺点：对于旋转和尺度变化敏感，对光照变化不鲁棒。

5. ORB 描述符配对算法:

   • 优点：结合了 FAST 角点检测和 BRIEF 描述符，具有较好的性能。
   • 缺点：对于光照变化和尺度变化不够鲁棒。

6. SIFT 角点检测和描述符配对算法:

   • 优点：对于光照变化、旋转和尺度变化具有很高的鲁棒性。
   • 缺点：相对较慢，可能受到专利限制。

7. SURF 角点检测和描述符配对算法:

   • 优点：对于光照变化、旋转和尺度变化具有较高的鲁棒性。
   • 缺点：相对较慢，可能受到专利限制。

8. KAZE 角点检测和描述符配对算法:

   • 优点：对于光照变化、旋转和尺度变化具有较高的鲁棒性。
   • 缺点：相对较慢。