Harris角点检测器及现有方法无法正确检测端点与交点，求解决方案

原代码问题分析 #

1. 轮廓提取模式错误：使用cv2.RETR_EXTERNAL仅能获取最外层轮廓，无法捕捉内部交叉线条的轮廓，导致交点无法被检测。
2. 固定阈值鲁棒性差：固定阈值127未考虑图像明暗不均，易造成线条断裂或噪声残留，影响轮廓连续性。
3. 多边形近似参数粗糙：固定epsilon=0.02*弧长的近似程度过高，丢失了交叉处的细节特征。

改进方案与代码实现 #

通过自适应阈值预处理、骨架化+邻域像素计数的组合方法，精准识别端点与交点：

import cv2
import numpy as np
from google.colab.patches import cv2_imshow

def skeletonize(img):
    """对二值图像进行骨架提取"""
    size = np.size(img)
    skel = np.zeros(img.shape, np.uint8)
    element = cv2.getStructuringElement(cv2.MORPH_CROSS, (3,3))
    done = False
    while not done:
        eroded = cv2.erode(img, element)
        temp = cv2.dilate(eroded, element)
        temp = cv2.subtract(img, temp)
        skel = cv2.bitwise_or(skel, temp)
        img = eroded.copy()
        zeros = size - cv2.countNonZero(img)
        if zeros == size:
            done = True
    return skel

# 读取图像并预处理
image = cv2.imread('input.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 高斯模糊去噪+自适应阈值处理（适配明暗不均）
blur = cv2.GaussianBlur(gray, (3,3), 0)
thresh = cv2.adaptiveThreshold(blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)

# 骨架化：将线条细化为单像素宽度，便于特征点检测
skeleton = skeletonize(thresh)

# 遍历骨架图，检测端点与交点
height, width = skeleton.shape
for y in range(1, height-1):
    for x in range(1, width-1):
        if skeleton[y][x] == 255:
            # 获取3x3邻域内的非零像素数量
            neighbors = skeleton[y-1:y+2, x-1:x+2]
            non_zero_count = cv2.countNonZero(neighbors)
            # 端点：邻域仅自身+1个相邻像素（共2个非零）
            if non_zero_count == 2:
                cv2.circle(image, (x, y), 3, (0, 0, 255), -1)
            # 交点：邻域有3个及以上相邻像素（共4个及以上非零）
            elif non_zero_count >= 4:
                cv2.circle(image, (x, y), 3, (0, 255, 0), -1)

# 展示结果
cv2_imshow(image)

关键步骤说明 #

• 自适应阈值：通过高斯加权计算局部阈值，解决固定阈值导致的线条断裂问题，保留完整的交叉线条。
• 骨架化：将宽线条细化为单像素，消除线条宽度对邻域像素计数的干扰，确保特征点判断准确。
• 邻域像素计数：通过3x3邻域内的非零像素数量区分端点（2个非零）和交点（≥4个非零），逻辑简单且精准。

内容的提问来源于stack exchange，提问作者Pablo Sánche