图像特征检测笔记（特征检测基本概念，Harris，Shi

图像特征检测笔记（特征检测基本概念，Harris，Shi

文章目录

• 前言
• 一、特征检测基本概念
• 二、哈里斯角点检测（Harris）
• • 1.Harris角点基本原理
  • 2.Harris角点检测API
  • 3.Harris角点检测代码实例：
• 三、Shi-Tomasi角点检测（Shi-Tomasi）
• • 1.Shi-Tomasi角点基本原理
  • 2.Shi-Tomasi角点检测API
  • 3.Shi-Tomasi角点检测代码实例：
• 四、SIFT关键点检测（scale-invariant feature transform）
• • 1.SIFT出现的原因
  • 2.使用SIFT的步骤
  • 3.SIFT检测代码实例：
• 五、计算SIFT描述子（scale-invariant feature transform）
• • 1.关键点和描述子
  • 2.计算描述子
  • 3.计算SIFT描述子代码实例：
• 六、SURF特征检测（speeded-up robust features）
• • 1.SURF的优点
  • 2.使用SURF的步骤
  • 3.SURF代码实例：
• 七、ORB特征检测（oriented fast and rotated brief）
• • 1.ORB优势
  • 2.使用ORB的步骤
  • 3.ORB代码实例：
• 八、暴力特征匹配
• • 1.特征匹配方法
  • 2.暴力特征匹配原理
  • 3.OpenCV特征匹配步骤
  • 4.暴力特征匹配代码实例：
• 八、FLANN特征匹配
• • 1.FLANN优缺点
  • 3.FLANN特征匹配步骤
  • 4.暴力特征匹配代码实例：
• 总结

前言

基于Python与OpenCV的图像特征匹配学习笔记，供大家参考

一、特征检测基本概念

特征中最重要的是角点，主要包括：
1.灰度梯度的最大值对应的像素
2.两条线的交点
3.极值点（一阶导最大值，二阶导等于0）

二、哈里斯角点检测（Harris）

1.Harris角点基本原理

光滑地区，无论向哪里移动，衡量系数不变；
边缘地区，垂直边缘移动，衡量系数变化剧烈；
在交点处，无论往哪个方向移动，衡量系统都变化剧烈。

2.Harris角点检测API

cornerHarris(img,blockSize,ksize,k)

img：输入图片
blockSize：窗口大小，窗口越大，敏感度越高
ksize：Solel卷积核
k：权重系数，经验值，一般0.02-0.04之间

3.Harris角点检测代码实例：

import cv2blockSize = 2
ksize = 3
k = 0.04img = cv2.imread('map1.png')
# 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# Harris角点检测
dst = Harris(gray, blockSize, ksize, k)
# 检测结果展示，红色
img[dst > 0.01 *dst.max()] = [0,0,255]cv2.imshow('harris', img)
cv2.waitKey(0)

三、Shi-Tomasi角点检测（Shi-Tomasi）

1.Shi-Tomasi角点基本原理

Shi-Tomasi是Harris角点检测的改进，不需要设置K值
Harris角点检测的稳定性与K值有关，而K是经验值，不好设定最佳值

2.Shi-Tomasi角点检测API

goodFeaturesToTrack(img,maxCorners,...)

img：输入图片
maxCorners：角点的最大数，值为0表示无限制
qualityLevel：小于1.0的正数，一般在0.01-0.1之间
minDistance：角之间最小欧式距离，忽略小于此距离的点
mask：感兴趣的区域
blockSize：窗口大小，窗口越大，敏感度越高
useHarrisDetector:是否使用Harris算法，默认false
k：默认0.04之间

3.Shi-Tomasi角点检测代码实例：

import cv2
import numpy as npmaxCorners = 1000
ql = 0.01
minDistance = 10img = cv2.imread('map1.png')gray = cv2