python - cornerHarris 中的 ksize 和 k 是什么意思？

Question

我在玩弄 cornerHarris OpenCV 中的函数。我无法理解 ksize 和 k 在函数中的含义。文档中提到 ksize 是 所用 Sobel 导数的孔径参数 和 k 是 方程中的 Harris 检测器自由参数 但我不确定它的真正含义是什么？

谁能帮我理解一下？

我试图检测立方体中的角，结果如下:

使用我从文档中使用的简单代码:

    import cv2
    import numpy as np

    filename = "cube.jpg"

    img = cv2.imread("./images/{}".format(filename))

    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

    gray = np.float32(gray)
    dst = cv2.cornerHarris(gray,12,3,0.04)

    dst = cv2.dilate(dst,None)

    # Threshold for an optimal value, it may vary depending on the image.
    img[dst>0.01*dst.max()]=[0,0,255]

    cv2.imshow('dst',img)
    if cv2.waitKey(0) & 0xff == 27:
        cv2.destroyAllWindows()

我尝试调整 K 但无法理解它的作用，尽管我意识到将它增加到超出限制会导致检测到零角。

Answer 1

Harris 角点检测器用于从灰度图像中提取角点。Harris 检测器的工作原理是首先计算图像梯度，然后计算梯度的协方差，它是局部 Hessian 的近似值。

它有 4 个主要步骤:

1. 边缘检测(空间导数计算)- 第一步是将灰度图像转换为边缘图像。有很多技术可以做到这一点，但 cv2 使用称为 Sobel 内核的过滤器，它与原始图像互相关。 ksize 参数确定 Sobel 内核的大小(3x3、5x5 等)。随着尺寸的增加，更多像素成为每个卷积过程的一部分，并且边缘会变得更加模糊。

2. 结构张量设置 - 基本上我们构建了一个矩阵 M，它表示图像每个点的梯度(边缘)的方向。然后可以使用该矩阵来确定哪些边缘像素是角点:

1. Harris 响应计算 - 在这一步中，我们计算每个边缘像素的“角点分数”R。这个想法是，只有当像素在 2 个垂直方向上具有大梯度时，才将其定义为角，这意味着 M 矩阵具有 2 个大特征值(1 个大特征值将只是一条边)。在这里我们可以看到 Harris 检测器的自由参数 - k。它是 [0.04,0.06] 范围内的经验确定常数:

k 参数 可让您影响此步骤，权衡精确度和召回率。因此，使用更大的 k，您将获得更少的假角，但您也会错过更多真实的角(高精度)，使用更小的 k，您将获得更多的角 ，所以你会错过较少的真角，但会得到很多假角(高召回率)。

1. 非极大值抑制 - 找到每个局部区域角点像素的最大值并抑制其余部分。