目标
在本章中，
- 我们将了解"Harris Corner Detection”背后的概念。
- 我们将看到以下函数：cv.cornerHarris(),cv.cornerSubPix()
理论
在上一章中，我们看到角是图像中各个方向上强度变化很大的区域。Chris Harris和Mike Stephens在1988年的论文《组合式拐角和边缘检测器》中做了一次尝试找到这些拐角的尝试，所以现在将其称为哈里斯拐角检测器。他把这个简单的想法变成了数学形式。它基本上找到了$(u，v)$在所有方向上位移的强度差异。表示如下：
$$E(u,v) = sum{x,y} underbrace{w(x,y)}text{window function} , [underbrace{I(x u,y v)}_text{shifted intensity}-underbrace{I(x,y)}_text{intensity}]^2$$
窗口函数要么是一个矩形窗口,要么是高斯窗口,它在下面赋予了值。
我们必须最大化这个函数$E(u,v)$用于角检测。这意味着,我们必须最大化第二个项。将泰勒扩展应用于上述方程,并使用一些数学步骤(请参考任何你喜欢的标准文本书),我们得到最后的等式:
$$E(u,v) approx begin{bmatrix} u & v end{bmatrix} M begin{bmatrix} u \ v end{bmatrix}$$
其中
$$M = sum{x,y} w(x,y) begin{bmatrix}Ix Ix & Ix Iy \ Ix Iy & Iy I_y end{bmatrix}$$
在此，$Ix$和$Iy$分别是在x和y方向上的图像导数。（可以使用cv.Sobel()轻松找到）。
然后是主要部分。之后，他们创建了一个分数，基本上是一个等式，它将确定一个窗口是否可以包含一个角。
$$R = det(M) - k(trace(M))^2$$
其中
- $det(M)=lambda1lambda2$
- $trace(M)=lambda1 lambda2$
- $lambda1$ and $lambda2$ 是 $M$ 的特征值
因此，这些特征值的值决定了区域是拐角，边缘还是平坦。
- 当$|R|$较小，这在$lambda1$和$lambda2$较小时发生，该区域平坦。
- 当$R<0$时（当$lambda1 >>lambda2$时发生，反之亦然），该区域为边。
- 当$R$很大时，这发生在$lambda1$和$lambda2$大且$lambda1$~$lambda2$时，该区域是角。
可以用如下图来表示：
因此，Harris Corner Detection的结果是具有这些分数的灰度图像。合适的阈值可为您提供图像的各个角落。我们将以一个简单的图像来完成它。
OpenCV中的哈里斯角检测
为此，OpenCV具有函数cv.cornerHarris()。其参数为：
- img - 输入图像，应为灰度和float32类型。
- blockSize - 是拐角检测考虑的邻域大小
- ksize - 使用的Sobel导数的光圈参数。
- k - 等式中的哈里斯检测器自由参数。
请参阅以下示例：
import numpy as np
import cv2 as cv
filename = 'chessboard.png'
img = cv.imread(filename)
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
gray = np.float32(gray)
dst = cv.cornerHarris(gray,2,3,0.04)
#result用于标记角点，并不重要
dst = cv.dilate(dst,None)
#最佳值的阈值，它可能因图像而异。
img[dst>0.01*dst.max()]=[0,0,255]
cv.imshow('dst',img)
if cv.waitKey(0) & 0xff == 27:
cv.destroyAllWindows()以下三个结果：
SubPixel精度的转角
有时，你可能需要找到最精确的角落。OpenCV附带了一个函数cv.cornerSubPix()，它进一步细化了以亚像素精度检测到的角落。下面是一个例子。和往常一样，我们需要先找到哈里斯角。然后我们通过这些角的质心(可能在一个角上有一堆像素，我们取它们的质心)来细化它们。Harris角用红色像素标记，精制角用绿色像素标记。对于这个函数，我们必须定义何时停止迭代的条件。我们在特定的迭代次数或达到一定的精度后停止它，无论先发生什么。我们还需要定义它将搜索角落的邻居的大小。
import numpy as np
import cv2 as cv
filename = 'chessboard2.jpg'
img = cv.imread(filename)
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
# 寻找哈里斯角
gray = np.float32(gray)
dst = cv.cornerHarris(gray,2,3,0.04)
dst = cv.dilate(dst,None)
ret, dst = cv.threshold(dst,0.01*dst.max(),255,0)
dst = np.uint8(dst)
# 寻找质心
ret, labels, stats, centroids = cv.connectedComponentsWithStats(dst)
# 定义停止和完善拐角的条件
criteria = (cv.TERM_CRITERIA_EPS cv.TERM_CRITERIA_MAX_ITER, 100, 0.001)
corners = cv.cornerSubPix(gray,np.float32(centroids),(5,5),(-1,-1),criteria)
# 绘制
res = np.hstack((centroids,corners))
res = np.int0(res)
img[res[:,1],res[:,0]]=[0,0,255]
img[res[:,3],res[:,2]] = [0,255,0]
cv.imwrite('subpixel5.png',img)以下是结果，其中一些重要位置显示在缩放窗口中以可视化：
欢迎关注磐创博客资源汇总站：http://docs.panchuang.net/
欢迎关注PyTorch官方中文教程站：http://pytorch.panchuang.net/
OpenCV中文官方文档：http://woshicver.com/
