---

一、角点检测

1. 什么是角点检测

角点检测（Corner Detection） 是计算机视觉中的一种基础特征提取方法，用于识别图像中具有显著灰度变化的像素点，即角点（Corner）。

角点是图像中在不同方向上灰度值均发生剧烈变化的点，例如：

• 物体的尖角
• 两条边的交点
• T形或L形结构的端点

角点具有以下优良特性：

• 旋转不变性：图像旋转后角点仍然可被检测
• 尺度不变性：在不同缩放比例下角点依然存在
• 光照不变性：对光照变化具有一定的鲁棒性

2. 检测流程

角点检测通常遵循以下流程：

步骤	描述
1. 输入图像	加载待检测的原始图像
2. 图像预处理	灰度化、降噪等，为后续处理做准备
3. 特征提取	使用Harris、Shi-Tomasi等算法提取角点特征
4. 角点响应计算	计算每个像素点的角点响应值
5. 角点定位与标记	根据响应值定位角点并可视化标记
6. 后处理（可选）	非极大值抑制、阈值过滤等
7. 输出结果	返回角点坐标或标记后的图像

3. 邻域（Neighborhood）

在角点检测中，邻域是指以某个中心像素为核心，周围一定范围内的像素集合。邻域内的像素信息用于计算中心像素的角点响应值。

邻域大小对检测结果有重要影响：

邻域大小	特点
较大邻域	捕获更多细节信息，但计算量增加
较小邻域	计算速度快，但可能遗漏细微特征

邻域的尺寸通常由 blockSize 参数控制，需要根据具体的应用场景和图像特征进行调整。

4. Harris 角点检测案例

Harris 角点检测是一种经典的角点检测算法，其核心思想是利用图像梯度计算角点响应值。

关键函数说明

cv2.cornerHarris(img, blockSize, ksize, k, dst=None)

参数	说明
img	输入图像（需为灰度图）
blockSize	角点检测中考虑的邻域大小
ksize	Sobel 算子窗口大小（用于计算梯度）
k	Harris 自由参数，取值范围 [0.04, 0.06]
dst	输出响应矩阵（与输入图像尺寸相同）

完整代码

import cv2

# 加载图像
img = cv2.imread('huanghelou.png')
cv2.imshow('原始图像', img)
cv2.waitKey(0)

# 灰度转换
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Harris 角点检测
# blockSize=4，ksize=3，k=0.04
dst = cv2.cornerHarris(gray, 4, 3, 0.04)

# 标记角点（响应值大于阈值的像素标记为绿色）
threshold = 0.05 * dst.max()
img[dst > threshold] = [0, 255, 0]

# 显示结果
cv2.imshow('角点检测结果', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

代码解析

• gray 输入图像必须为灰度图

• blockSize=4 表示邻域尺寸为 4×4

• ksize=3 表示 Sobel 算子的孔径大小为 3

• k=0.04 为 Harris 自由参数，值越小检测到的角点越多

• dst 矩阵中值越大的像素，是角点的概率越高

• 通过阈值 0.05 * dst.max() 筛选角点

二、SIFT 特征提取

1. 什么是 SIFT

SIFT（Scale-Invariant Feature Transform，尺度不变特征变换） 是一种用于检测和描述图像局部特征的经典算法。

SIFT 能够在尺度空间中寻找极值点，并提取出具有以下特性的关键点：

尺度不变性：对图像缩放具有鲁棒性

旋转不变性：对图像旋转具有鲁棒性

光照不变性：对光照变化具有一定的容忍度

SIFT 提取的特征点可以用于图像匹配、目标识别、三维重建等多种任务。

2. 特征提取的一般步骤

步骤	描述
1. 数据预处理	去噪、归一化、平滑等
2. 特征选择	选择合适的特征子集，避免冗余和噪声
3. 特征提取	使用数学算法计算和提取特征
4. 特征表示	将特征表示为向量或其他便于计算的形式

好的特征应具备：

辨别性：能够区分不同类别或实例

鲁棒性：对变形和噪声有一定容忍度

3. SIFT 案例实现

完整代码

import cv2
import numpy as np

# 加载图像
man = cv2.imread('man.png')
cv2.imshow('原始图像', man)
cv2.waitKey(0)

# 灰度转换
man_gray = cv2.cvtColor(man, cv2.COLOR_BGR2GRAY)

# 创建 SIFT 对象
sift = cv2.SIFT_create()

# 检测关键点
kp = sift.detect(man_gray)

# 打印所有关键点坐标
for point in kp:
    print(f'关键点坐标: {point.pt}')

# 绘制关键点（显示尺度和方向）
man_sift = cv2.drawKeypoints(
    man,
    kp,
    None,
    flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS
)

cv2.imshow('SIFT 关键点', man_sift)
cv2.waitKey(0)

# 计算关键点描述符（用于后续匹配）
keypoints, descriptors = sift.compute(man, kp)

print(f'关键点数量: {np.array(keypoints).shape[0]}')
print(f'描述符矩阵形状: {descriptors.shape}')
print('描述符维度: 128 维')

cv2.destroyAllWindows()

代码解析

方法	说明
cv2.SIFT_create()	创建 SIFT 检测器对象
sift.detect(gray)	检测图像中的关键点，返回关键点列表
sift.compute(img, kp)	计算关键点的描述符（128维向量）
cv2.drawKeypoints()	在图像上绘制关键点

关键点信息

每个关键点包含：坐标 (x, y)、尺度、方向

每个关键点的描述符为 128 维向量

描述符可用于后续的特征匹配（如 FLANN、BFMatcher）