角点就是极值点，即在某方面属性特别突出的点。当然，你可以自己定义角点的属性（设置特定熵值进行角点检测）。角点可以是两条线的交叉处，也可以是位于相邻的两个主要方向不同的事物上的点。角点通常被定义为两条边的交点，或者说，角点的局部邻域应该具有两个不同区域的不同方向的边界。常见的角点有：
角点是图像很重要的特征，对图像图形的理解和分析有很重要的作用。角点在保留图像图形重要特征的同时，可以有效地减少信息的数据量，使其信息的含量很高，有效地提高了计算的速度，有利于图像的可靠匹配,使得实时处理成为可能。角点在三维场景重建、运动估计、目标跟踪、目标识别、图像配准与匹配等计算机视觉领域起着非常重要的作用。
人眼对角点的识别通常是在一个局部的小区域或小窗口完成的。如果在各个方向上移动这个特征的小窗口，窗口内区域的灰度发生了较大的变化，那么就认为在窗口内遇到了角点。如果这个特定的窗口在图像各个方向上移动时，窗口内图像的灰度没有发生变化，那么窗口内就不存在角点；如果窗口在某一个方向移动时，窗口内图像的灰度发生了较大的变化，而在另一些方向上没有发生变化，那么，窗口内的图像可能就是一条直线的线段。
Harris角点检测原理用公式演算如下：
其中w(x,y)表示滑动窗口权重函数，可以是常数也可以是高斯函数。E(u,v)表示滑动窗口向各个方向移动时像素值衡量系数的变化。
这里λ1,λ2是矩阵M的2个特征值，k是一个指定值，这是一个经验参数，需要实验确定它的合适大小，通常它的值在0.04和0.06之间,它的存在只是调节函数的形状而已。R取决于M的特征值，对于角点|R|很大，平坦的区域|R|很小，边缘的R为负值;
public static void cornerHarris(Mat src, Mat dst, int blockSize, int ksize, double k, int borderType)
方法的输出dst为评价系数R的矩阵，由于评价系数有正有负且范围较广，计算结束后通常需要进行归一化处理。然后通过经验阈值比较判断像素点是否为Harris角点。阈值越大，提取的Harris角点越少，阈值越小，提取的Harris角点越多。
/**
* Harris角点检测
* author: yidong
* 2020/12/30
*/
class HarrisActivity : AppCompatActivity() {
private val mBinding: ActivityHarrisBinding by lazy {
ActivityHarrisBinding.inflate(layoutInflater)
}
private val gray by lazy {
this.getBgrFromResId(R.drawable.lena).toGray()
}
override fun onCreate(savedInstanceState: Bundle?) {
super.onCreate(savedInstanceState)
setContentView(mBinding.root)
mBinding.ivLena.showMat(gray)
wrapCoroutine({ showLoading() }, { doCornerHarris() }, { hideLoading() })
}
private fun doCornerHarris() {
val dst = Mat()
val dstNorm = Mat()
val dstNormal8U = Mat()
Imgproc.cornerHarris(gray, dst, 2, 3, 0.04)
Core.normalize(dst, dstNorm, 0.0, 255.0, Core.NORM_MINMAX)
Core.convertScaleAbs(dstNorm, dstNormal8U)
Imgproc.threshold(dstNormal8U, dstNormal8U, 120.0, 255.0, Imgproc.THRESH_BINARY)
GlobalScope.launch(Dispatchers.Main) {
mBinding.ivResult.showMat(dstNormal8U)
}
}
private fun showLoading() {
mBinding.isLoading = true
}
private fun hideLoading() {
mBinding.isLoading = false
}
override fun onDestroy() {
super.onDestroy()
gray.release()
}
}
如下图，图中白点即为评价系数大于120的角点检测结果。代码中的参数可自行调整测试。
