角点检测

角点的定义：

从直观上理解，角点是图像中两条或多条边缘的交点，在图像中表现为局部区域内的灰度变化较为剧烈的点。在数学和计算机视觉中，角点可以被定义为在两个或多个方向上具有显著变化的点。比如在一幅建筑物的图像中，建筑物的顶点就是典型的角点；在一张棋盘格的图像中，棋盘格的交点也属于角点。

角点检测的作用

• 特征提取：角点是图像的重要特征之一，由于其具有独特的位置和局部特征，可用于图像的特征描述，便于后续的图像匹配、目标识别等操作。例如，在物体识别中，通过检测物体图像中的角点并与数据库中物体的角点特征进行匹配，从而识别出物体。
• 图像配准：在将不同时间、不同视角或不同传感器获取的图像进行融合时，角点可以作为图像之间的对应点，帮助实现图像的精确配准。例如，在卫星图像拼接中，通过检测不同卫星图像中的角点并进行匹配，可以将多幅图像拼接成一幅完整的图像。
• 运动跟踪：在视频序列中，通过跟踪角点的运动轨迹，可以分析物体的运动状态。比如在运动分析中，跟踪运动员身体上的角点，可以得到运动员的动作轨迹和运动参数。

常见的角点检测算法

• Harris 角点检测算法：由 Chris Harris 和 Mike Stephens 在 1988 年提出。该算法基于图像局部的自相关函数，通过计算图像在各个方向上的灰度变化，得到一个角点响应函数 R。如果 R 的值超过一定的阈值，则认为该点是角点。Harris 角点检测算法具有旋转不变性，但对尺度变化比较敏感。
  Shi-Tomasi 角点检测算法：是对 Harris 角点检测算法的改进。该算法通过计算图像块的最小特征值来判断角点，相比于 Harris 算法，Shi-Tomasi 算法在角点检测的准确性上有了一定的提高，并且在目标跟踪等应用中表现更优。
• SIFT（尺度不变特征变换）算法：不仅可以检测角点，还具有尺度不变性、旋转不变性和光照不变性等优点。SIFT 算法通过在不同尺度空间上检测极值点，并对这些极值点进行精确定位和描述，生成 128 维的特征向量，用于后续的特征匹配等操作。不过，SIFT 算法计算复杂度较高，运行速度较慢。
• SURF（加速稳健特征）算法：是 SIFT 算法的加速版本，采用了积分图像和 Haar 小波特征，大大提高了算法的运行速度，同时也具有较好的尺度不变性和旋转不变性。在实际应用中，SURF 算法在处理速度和特征描述能力上取得了较好的平衡。
• ORB（Oriented FAST and Rotated BRIEF）算法：结合了 FAST（Features from Accelerated Segment Test）角点检测算法和 BRIEF（Binary Robust Independent Elementary Features）特征描述子。FAST 算法用于快速检测角点，BRIEF 算法用于生成二进制特征描述子。ORB 算法具有计算速度快、内存占用小等优点，在实时性要求较高的应用中得到了广泛应用。

角点检测实例

对黄鹤楼的图片进行角点检测：

'''角点检测'''
import cv2
import numpy as np

#角点指图像中局部区域与周围区域有较大灰度变化的点或像素。
# cornerHarris(img,blockSize,ksize,k[,dst[,borderType]])-> dst
# img:输入图像。
#blockSize:角点检测中要考虑的领域大小。
# ksize:Sobel求导中使用的日大小。
# k: Harris角点检测方程中的自由参数,取值参数为[0.04,0.06]。
# dst:返回numpy.ndarray对象,大小和src相同,值越大,对应像素点是角的概率越高

img = cv2.imread('huanghelou.png')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
dst = cv2.cornerHarris(gray,4,3,0.04)
# 标记检测到的角点
img[dst>0.01*dst.max()]=[0,0,255]
# 这里通过对角点响应进行闽值处理，标记出检测到的角点。
# 0.05 * dst.max()是一个值，大于这个值的像素点会被标记为红色。
cv2.imshow('img',img)
cv2.waitKey(0)

结果：

可以看出图片中部分角点已经被标记出来，可用通过更改阈值大小进行角点标记的范围更改。

特征提取sift

SIFT（Scale-Invariant Feature Transform，尺度不变特征变换）是一种非常经典且强大的计算机视觉算法，用于图像的特征提取和描述，以下是对它的详细介绍：

SIFT 算法的特点

• 尺度不变性：能够在不同尺度下检测到相同的特征点，无论物体在图像中是大是小，SIFT 算法都能准确地找到对应的特征。
• 旋转不变性：通过计算特征点的主方向，使描述子具有旋转不变性，即使物体在图像中发生了旋转，也能正确匹配特征。
• 光照不变性：SIFT 特征对光照变化具有一定的鲁棒性，在不同的光照条件下，仍然可以提取到稳定的特征。
• 独特性：SIFT 特征描述子具有较高的独特性，能够很好地区分不同的物体和场景，降低误匹配的概率。

SIFT 算法的主要步骤

• 尺度空间极值检测：使用不同尺度的高斯滤波器对图像进行卷积，生成高斯金字塔。然后通过相邻尺度间的差分（DoG，Difference of Gaussians）运算，得到 DoG 金字塔。在 DoG 金字塔中，检测每个点在其邻域内（包括同层和上下层）的极值点，这些极值点就是可能的特征点。
• 关键点定位：对检测到的极值点进行精确定位，通过拟合三维二次函数来确定关键点的精确位置和尺度。同时，去除低对比度的关键点和位于边缘上的关键点，以提高特征点的稳定性和可靠性。
• 方向分配：计算每个关键点邻域内的梯度方向直方图，根据直方图的峰值确定关键点的主方向。为每个关键点分配一个或多个方向，使特征描述子具有旋转不变性。
• 关键点描述：以关键点为中心，取一个大小固定的邻域窗口，并将其旋转到关键点的主方向。将该窗口划分为若干个子区域，计算每个子区域内的梯度方向直方图。将所有子区域的直方图连接起来，形成一个 128 维的特征向量，即 SIFT 特征描述子。

SIFT 算法的应用场景

• 目标识别：通过提取目标物体的 SIFT 特征，并与数据库中已知物体的特征进行匹配，可以实现对目标物体的识别。例如，在安防监控中，识别特定的人员或物体。
• 图像拼接：在全景图像拼接中，利用 SIFT 特征匹配不同图像之间的重叠区域，从而实现图像的准确拼接。
• 三维重建：从多幅图像中提取 SIFT 特征，通过特征匹配计算图像之间的相对位置和姿态，进而构建物体或场景的三维模型。
• 图像检索：根据图像的 SIFT 特征，在图像数据库中快速检索到与查询图像相似的图像，用于图像管理和检索系统。

SIFT 算法的局限性

• 计算复杂度高：SIFT 算法的计算量较大，尤其是在处理高分辨率图像时，运算时间较长，对硬件要求较高。
• 专利问题：SIFT 算法受专利保护，在商业应用中需要获得相应的授权，这在一定程度上限制了它的广泛应用。

sift算法实例

对一张男人的图片进行特征提取：

'''-----------特征提取sift---------------------'''
# # 检测图像中的关键点
# # cv2.SIFT_create()
# #cv2.xfeatures2d.SIFT_create()#创建一个sift特征的提取对象#
# sift.detect(img)在图像中查找关键点

phone = cv2.imread('man.png')
phone_gray = cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY)
sift = cv2.SIFT_create() # sift对象
kp = sift.detect(phone_gray)
# kp.pt:关键点的(x，y)
# 坐标。
# kp.size:关键点的大小(尺度):
# kp.angle:关键点的方向。
# kp.response:关键点的响应值。
# kp.octave:关键点所在的金字塔层级。
#查找关键点
# drawKeypoints(image,keypoints,outImage, color=None, flags=None)# image:原始图片
# keypoints:从原图中获得的关键点，这也是画图时所用到的数据
# outputimage:输出图像，可以是原始图片,也可以是None
# color:颜色设置，通过修改(b,g,r)的值,更改画笔的颜色，b=蓝色，g=绿色，r=红色。绘制富有信息的关键点。# flags:绘图功能的标识设置
phone_sift = cv2.drawKeypoints(phone,kp, None,flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imshow('phone_sift',phone_sift)
cv2.waitKey(0)
# # 使用sift.compute()计算关键点描述符,方便后期的特征匹配
kp,des = sift.compute(phone,kp)
print(np.array(kp).shape,des.shape)
# 输出关键点的形状和描述符的形状。
# np.array(kp).shape 表示关键点的数量和属性。
# des.shape 表示描述符的数量和属性。

结果：