关于scikit-image中corner_fast返回浮点数组而非布尔值的疑问

嘿，我来帮你理清这个疑问～

你观察得特别准：咱们平时看到的FAST算法解释里，大多说它会返回布尔值标记哪些是角点，但scikit-image实现的corner_fast确实会返回一个浮点型的响应数组——你猜的没错，这些数值就是每个位置的“角点程度”，代表该像素符合FAST角点特征的强度。

为什么会有这个差异？ #

scikit-image的这个实现没有直接给出二值化的角点标记，而是保留了FAST算法计算过程中的原始响应值：

• 对每个像素，它会统计周围圆周上，与中心像素灰度差超过阈值的点的数量
• 返回的浮点值就是这个统计结果（或经过微调后的数值），数值越高，说明该点越像角点

怎么得到布尔型的角点标记？ #

如果想要和标准FAST描述一致的布尔结果，你可以自己对响应数组做阈值筛选，举个例子：

import numpy as np
from skimage.feature import corner_fast

np.random.seed(2018)
img = np.random.normal(size=(20, 20))
img_response = corner_fast(img, n=12, threshold=0.0)
# 设定阈值，比如保留响应值大于12的点（对应你设置的n参数）
is_corner = img_response > 12

这样得到的is_corner就是布尔数组，每个元素标记对应像素是否为角点，和你了解的标准FAST输出完全匹配啦。

内容的提问来源于stack exchange，提问作者Brenlla