在cornerHarris中ksize和k是什么意思？

Question

我在玩OpenCV中的cornerHarris函数。我不明白什么呢ksize，并k在功能上的意思。文档中提到ksize了存在Aperture parameter of Sobel derivative used和k存在，Harris detector free parameter in the equation但我不确定它的真正含义是什么？

有人可以帮我理解吗？

我试图检测立方体中的角，结果是：

使用我在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()

我尝试进行调整，K但不了解它的作用，尽管我意识到将其增加到超过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。所述ksize参数确定索贝尔内核（3×3，5×5等。）的大小。随着尺寸的增加，每个卷积过程的像素越来越多，边缘会变得更加模糊。

2. 结构张量设置 - 基本上我们构建一个矩阵 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：

3. 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，只有当一个像素在 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个边缘）。在这里我们可以看到Harris 检测器的自由参数 - k。它是一个在 [0.04,0.06] 范围内的经验确定的常数：

该参数k，您可以在此步骤中的影响力，权衡精度和召回。因此，k 越大，假角就越少，但也会错过更多真实角（高精度），k 越小，角就越多，因此您错过的真角就越少，但会得到很多错误的（高召回率）。

4. 非极大值抑制 - 找到每个局部区域中角像素的极大值，其余的被抑制。