Tabla de contenido
1 Características de la imagen
2. Detección de esquinas de Harris
2.2 Visualización de resultados
3. Algoritmo de detección de esquinas Shi-Tomasi
3.1, implementación del código
3.2 Visualización de resultados
1 Características de la imagen
2. Detección de esquinas de Harris
、
2.1 Implementación del código
import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']
img = cv.imread("corner.png")
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
#角点检测
#输入图像必须是float32
gray = np.float32(gray)
#最后一个参数在0.04-0.05之间
dst = cv.cornerHarris(gray , 2,3,0.04) #dst变量是一个和输入灰度图像大小相同的浮点类型的矩阵，其中每个像素的值表示该像素是否是角点的概率。
'''gray：输入的灰度图像。
2：表示Sobel算子内核的大小，用于计算角点响应函数的导数。通常使用的是3x3或5x5的内核大小。
3：表示邻域窗口的大小，用于计算角点响应函数的响应值。对于每个像素点，计算其与周围像素之间的差异。
0.04：表示角点响应函数的自由参数k。k的值较小将使检测到的角点更加敏感，而k的值较大则会减少角点数量。'''
#设置阈值，将角点绘制出来，阈值根据图像进行选择
img[dst >0.001*dst.max()] = [0,0,255]
'''它会将图像 img 中响应值大于 0.001 * dst.max() 的像素点设为 [0, 0, 255]，即红色。
请注意，dst.max() 表示检测到的角点响应函数的最大值。
通过乘以 0.001 ，可以设置一个相对较小的阈值，以便只有极具代表性的角点被标记为红色。你可以根据需要调整阈值大小'''
#图像显示
plt.figure(figsize=(5,4),dpi=100)
plt.imshow(img[:,:,::-1]),plt.title("Harris角点检测")
plt.xticks([]),plt.yticks([])
plt.show()2.2 Visualización de resultados
3. Algoritmo de detección de esquinas Shi-Tomasi
3.1, implementación del código
import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']
img = cv.imread("corner.png")
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
#角点检测
corners = cv.goodFeaturesToTrack(gray , 1000,0.1,10)
'''
gray：输入的灰度图像。
1000：表示要检测的角点数量。这里设置为1000，表示最多检测1000个角点，但实际检测到的角点数量可能会少于这个值。
0.01：表示角点质量水平阈值，用于筛选保留哪些角点。较大的阈值会筛选出更强的角点。
10：表示角点之间的最小欧氏距离。如果两个角点之间的距离小于这个值，其中一个角点将被抑制。
'''
#绘制角点
for i in corners:
x,y = i.ravel()
cv.circle(img,(x,y),2,(0,0,255),-1)
#图像显示
plt.figure(figsize=(5,4),dpi=100)
plt.imshow(img[:,:,::-1]),plt.title("shi-Tomas角点检测")
plt.xticks([]),plt.yticks([])
plt.show()3.2 Visualización de resultados
