图像特征检测笔记（特征检测基本概念，Harris，Shi-Tomasi

文章目录 三、Shi-角点检测（Shi-） 四、SIFT关键点检测（scale- ） 五、计算SIFT描述子（scale- ） 六、SURF特征检测（-up ） 七、ORB特征检测（ fast and brief） 八、暴力特征匹配 八、FLANN特征匹配 总结

前言

基于与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（） 1.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.角点检测API

cornerHarris(img,blockSize,ksize,k)

img：输入图片

：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.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 = cv2.cornerHarris(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-角点检测（Shi-） 1.Shi-角点基本原理

Shi-是角点检测的改进，不需要设置K值

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-角点检测API

goodFeaturesToTrack(img,maxCorners,...)

img：输入图片

：角点的最大数，值为0表示无限制

：小于1.0的正数，一般在0.01-0.1之间

：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

：窗口大小，窗口越大，敏感度越高

:是否使用算法，默认false

k：默认0.04之间

3.Shi-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