Harris 角点检测
角点是一个好的图像特征?，可以根据角点找到在图中的位置
角点的一个特性：向任何方向移动变化都很大
使用函
数
cv2.cornerHarris( img, blockSize ,ksize , k)
可以用来进行角点检测
????????img ：?
数据类型为
flfloat32
的输入图像。
????????blockSize ：?
角点检测中要考虑的区域大小
????????ksize? ：Sobel
求导中使用的窗口大小
????????k ：Harris
角点检测方程中的自由参数，取值参数为
[0,04
，
0.06]
Harris 角点检测的结果是一个由角点分数构成的灰度图像。选取适当的阈值对结果图像进行二值化就检测到了图像中的角点。?
import cv2
import numpy as np
img = cv2.imread('qp.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)
dst = cv2.cornerHarris(gray,2,3,0.04)
img[dst>0.01*dst.max()]=[0,0,255] #阈值为显示的最佳值，可以改变
cv2.imshow('dst',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
尺度空间
如果对图像进行缩放，角点可能就不再是角点了。在一副小图中使用一个小的窗口可以检测到一个角点，但是如果图像被放大，再使用同样的窗口就检测不到角点了。
尺度不变特征变换（
SIFT
），这个算法可以帮助我们提取图像中的关键点并计算它们的描述符
??
?得到关键点
使用函数?
sift.detect()
可以在图像中找到关键点。返回的关键点是一个带有很多不同属性的特殊结构体，这些属性中包含它的坐标（x，y），有意义的邻域大小，确定其方向的角度等。
?
?使用函数cv2.drawKeyPoints()，它可以在关键点的部位绘制一个小圆圈
import cv2
import numpy as np
cv2.namedWindow('drawkeypoints',cv2.WINDOW_NORMAL)
img = cv2.imread('op.jpg')
gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#得到特征点
sift = cv2.SIFT_create()
kp = sift.detect(gray,None)
img=cv2.drawKeypoints(gray,kp,img)
cv2.imshow('drawkeypoints',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
?计算关键点的描述符
关键点描述符
选取与关键点周围一个
16x16 的邻域，把它分成
16
个
4x4
的小方块，为每个小方块创建一个具有
8
个 方向区域
的方向直方图。总共加起来有
128
个 梯度信息，
就构成了关键点描述符
使用函数
sift.compute()
来计算这些关键点的描述符
?
kp 是一个关键点列表。des 是一个 Numpy 数组，其大小是关键点数目乘以 128。
kp, des = sift.compute(gray, kp)
print(np.array(kp).shape, des.shape)