图像特征检测笔记（特征检测基本概念，Harris，Shi-Tomasi _角点

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 andbrief）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。
【图像特征检测笔记（特征检测基本概念，Harris，Shi-Tomasi】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 = 2ksize = 3k = 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

文章插图
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 cv2import numpy as npmaxCorners = 1000ql = 0.01minDistance = 10img = cv2.imread('map1.png')gray = cv2