ksize和k在cornerHarris中是什么意思？

Question

我在OpenCV中玩cornerHarris函数。我不明白ksize和{}在函数中是什么意思。文档中提到ksize是Aperture parameter of Sobel derivative used，而{}是{}，但我不确定这到底是什么意思？在

有人能帮我理解吗？在

我试着在一个立方体中探测角，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()

我试着调整K，但无法理解它的作用，尽管我意识到将其增加到超出限制的值会导致检测到零角点。在

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，这是局部Hessian的近似值。在

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，但是cv2使用了一个称为Sobel内核的过滤器，它与原始图像交叉相关。ksize参数决定Sobel内核的大小（3x3、5x5等）。随着大小的增加，每个卷积过程中会有更多的像素，的边缘将变得更加模糊。

2. 结构张量设置-基本上我们构造一个矩阵M，它代表图像每个点的梯度（边）的方向。然后，该矩阵可用于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“角得分”R。其思想是，一个像素只有在两个垂直方向上有大梯度时才被定义为一个角点，这意味着M矩阵有2个大特征值（1个大特征值只是一个边）。 这里我们可以看到Harris检测器的自由参数-k。它是经验确定的常数，范围为[0.04,0.06]：

k参数允许您在这一步中进行影响，以牺牲精确度和召回率为代价。所以当k较大时，你会得到较少的假角，但你也会错过更多的真实角点（高精度），当k变小时，你会得到更多的角点，所以你会错过较少的真角，但会得到很多假角（高召回率）。在

1. 非最大值抑制-每个局部区域的角点像素的最大值被找到，其余的被抑制。在