4、特征点检测入门：什么是特征点？为什么需要特征点？Harris角点检测原理
好，咱们进入正题。图像拼接这事儿，说白了就是「把几张图拼成一张全景图」。但你想想看，计算机怎么知道两张图哪里该对齐？
答案就是——特征点。
我个人习惯把特征点比作「图像的指纹」。每张图都有自己独特的指纹，我们找到这些指纹，就能把图拼起来。今天咱们就聊聊这个基础中的基础。
4.1 什么是特征点？
特征点，就是图像里那些「特别显眼」的像素点。
什么样的点算显眼？
- 角点：比如桌子的四个角、窗户的拐角
- 边缘上的特殊点：比如黑白交界处
- 纹理丰富的点：比如草地上的小斑点
嗯，这里要注意：不是所有像素都能当特征点。一片纯蓝色的天空，你找不出什么特征点——因为每个像素都长得差不多。
核心思想：特征点就是「换个角度看，它还在那儿」的点。平移、旋转、光照变化，它都能被稳定地检测出来。
我在项目中遇到过一件事：有一次拼接雪山照片，雪地部分几乎全是白色，特征点少得可怜。结果拼出来全是错位。后来我学乖了——特征点不够，算法再牛也白搭。
4.2 为什么需要特征点？
你想想看，图像拼接的核心步骤是什么？
- 找到两张图的对应关系
- 根据对应关系做变换
- 融合成一张图
第一步最关键。怎么找对应关系？
最笨的办法：把图A的每个像素，跟图B的每个像素比一遍。一张1000x1000的图，要比较10^12次——这谁受得了？
特征点的作用就是降维。我们只找几百个特征点，然后只比较这些点。速度快了上万倍，而且更鲁棒。
我的经验：好的特征点检测，能让后续的匹配工作轻松80%。我曾经花了一周调匹配参数，后来发现是特征点检测没选对——换了个检测器，问题直接解决。
特征点还有三个好处：
- 尺度不变：近拍远拍都能认出来
- 旋转不变：转个角度照样匹配
- 光照不变：亮一点暗一点不影响
当然，这是理想情况。实际项目中，这些「不变性」都是有条件的。别指望一个特征点能应付所有场景。
4.3 Harris角点检测原理
Harris角点检测，是特征点检测的「老祖宗」。1988年提出，到现在还在用。为什么？因为它简单、有效、好理解。
咱们先想一个问题：怎么判断一个点是不是角点？
Harris的思路很直观：
- 如果一个小窗口在图像上移动，各个方向的像素变化都很大 → 角点
- 如果只在某个方向变化大 → 边缘
- 如果各个方向变化都很小 → 平坦区域
说白了，就是看「窗口移动后，像素值的变化程度」。
4.3.1 数学原理（简化版）
Harris用了一个公式来衡量这个变化：
E(u,v) = Σ [I(x+u, y+v) - I(x,y)]²其中(u,v)是窗口的偏移量，I是像素值。
嗯，这个公式看着有点吓人？别怕，我拆开讲。
实际上，Harris把它简化成了一个矩阵M：
M = [ ΣIx² ΣIxIy ]
[ ΣIxIy ΣIy² ]其中Ix和Iy是图像在x和y方向的梯度。
然后计算一个响应值R：
R = det(M) - k * (trace(M))²这里k是个经验常数，一般取0.04-0.06。
判断规则：
- R > 阈值 → 角点
- R ≈ 0 → 平坦区域
- R < 0 → 边缘
我记得第一次看这个公式时，觉得好复杂。后来自己手算了一遍，发现其实就是「两个特征值的组合判断」。矩阵M的两个特征值，一个大的一个小的 → 边缘；两个都大 → 角点；两个都小 → 平坦。
4.3.2 OpenCV实现
代码其实很简单：
import cv2
import numpy as np
# 读取图像
img = cv2.imread('building.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# Harris角点检测
gray = np.float32(gray)
dst = cv2.cornerHarris(gray, blockSize=2, ksize=3, k=0.04)
# 标记角点
img[dst > 0.01 * dst.max()] = [0, 0, 255]
cv2.imshow('Harris Corners', img)
cv2.waitKey(0)参数说明：
| 参数 | 含义 | 我的建议 |
|---|---|---|
| blockSize | 窗口大小 | 一般用2或3，太大容易漏掉小角点 |
| ksize | Sobel算子大小 | 3最常用，越大越平滑 |
| k | Harris自由参数 | 0.04-0.06，我习惯用0.04 |
避坑指南：我曾经在纹理非常密集的图像上用Harris，结果检测出了上万个角点。后来加了阈值过滤，才把数量降下来。记住：不是角点越多越好，质量比数量重要。
4.4 Harris的优缺点
优点：
- 计算简单，速度快
- 对旋转有不变性
- 角点定位准确
缺点：
- 对尺度变化敏感（近拍远拍效果不同）
- 对噪声敏感
- 只能检测角点，不能检测其他特征
你可能会问：既然有缺点，为什么还要学？
因为它是基础。后面要讲的SIFT、SURF、ORB，都是在Harris思想上发展起来的。理解了Harris，再学其他特征点检测器，你会觉得「哦，原来就是改进了这里」。
我的学习建议：别急着上SIFT。先用Harris跑几个项目，感受一下特征点检测的「手感」。等你觉得Harris不够用了，再升级到更高级的算法。这样基础才扎实。
4.5 小结
今天咱们聊了三个事：
- 特征点是什么——图像里那些「特别」的像素点
- 为什么需要特征点——为了高效、鲁棒地找到图像对应关系
- Harris角点检测原理——通过窗口移动判断像素变化，用响应值R区分角点、边缘和平坦区域
下一章，咱们会讲更高级的特征点检测器——SIFT。到时候你会看到，Harris的很多思想都被继承了下来。
嗯，今天就到这儿。代码记得自己跑一遍，看看不同参数的效果。实践出真知。
公众号:蓝海资料掘金营，微信deep3321