利用Harris检测子进行角点特征检测

转载来自http://blog.csdn.net/anymake_ren/article/details/21298807
    计算机视觉中常用的图像特征包括：点、边缘、直线、曲线等，其中，点特征属于局部特征，对遮挡有一定鲁棒性。图像中点特征数量多，提取速度快，并且容易辨识区分，因此在图像处理中占有重要地位。
    好的点特征如图1所示，在角点处，图像上的一个小窗口沿任何方向移动，窗口内的图像都有明显的灰度变化，因此角点是好的点特征。


                                               图1


那么，我们要怎样识别角点呢？由图2可以看出，角点具有类似图2中的第一列所展示的性质：


                                              图2


    假设窗口W发生位置偏移(u,v)；比较偏移前后窗口中每一个像素点的灰度变化值；使用灰度误差平方和来构造一个误差函数E(u,v)，其中的窗口函数是用来滤波的。

    H称为自相关矩阵, λmax和λmin是自相关矩阵的特征值。其中E（u,v）是一个二次型函数，二次型函数的本质就是一个椭圆，椭圆的扁率和尺寸是由H的特征λmax和λmin值λmax和λmin决定的，椭圆的方向由H的特征向量决定。图3-3表示的是点线面与椭圆的关系，其中（d）图中的椭圆跑哪去了，我也不知道，你问我我也还是不知道。因为图是从扫描版的PDF中截取的，本来就模糊。


   下面这幅图是王永明等在《图像局部不变性特征与描述》一书中阐述椭圆与点线面的关系用的。第一行是不同典型图像的灰度梯度分布图，第二行是对梯度分别的椭圆拟合。不过有一点没有明白，如果按照哈里斯的理论线性边缘时，R不应该为负值的吗？那王永明的这幅图中的R代表什么含义啊到底？为什么线性边缘时，R=0.3328？搞不懂啊搞不懂！！！




    正如图3所示，只有当两者都比较大，并且大小相当时对应点才为角点，两者都非常小时为平坦区域；一大一小时为边界。


                                         图3


    在1988年，哈里斯在其论文《A combined corner and edge detector》里给出了更有效的角点响应函数


R为正值时，检测到的是角点；R为负时检测到的是边；R很小时检测到的是平坦区域，由此也就有了更便于计算的数学公式。哈老先生对此做的图如下：


下面是对Harris算法的Matlab实现，源码参考自http://blog.csdn.net/aflyeagle/article/details/5116799
个人对一些地方做了修改说明。


运行环境windows8.1+Matlab R2013b
[cpp] view plaincopy 
%%%Prewitt Operator Corner Detection.m  
%%%时间优化--相邻像素用取差的方法求Harris角点  
 %%   
 clear;  
 Image = imread('884.jpg');                 % 读取图像  
 Image = im2uint8(rgb2gray(Image));     
    
  
dx = [-1 0 1;-1 0 1;-1 0 1];  %dx：横向Prewitt差分模版  
Ix2 = filter2(dx,Image).^2;     
Iy2 = filter2(dx',Image).^2;                                          
Ixy = filter2(dx,Image).*filter2(dx',Image);  
   
%生成 9*9高斯窗口。窗口越大，探测到的角点越少。  
h= fspecial('gaussian',9,2);  
A = filter2(h,Ix2);       % 用高斯窗口差分Ix2得到A   
B = filter2(h,Iy2);                                   
C = filter2(h,Ixy);                                    
nrow = size(Image,1);                              
ncol = size(Image,2);                               
Corner = zeros(nrow,ncol); %zeros用来产生一个全零矩阵，故矩阵Corner用来保存候选角点位置,初值全零，值为1的点是角点  
  
 %参数t:点(i,j)八邻域的“相似度”参数，只有中心点与邻域其他八个点的像素值之差在  
 %（-t,+t）之间，才确认它们为相似点，相似点不在候选角点之列  
 t=20;  
   
 %我并没有全部检测图像每个点，而是除去了边界上boundary个像素，也就是从第8行第8列开始遍历。  
 %因为我们感兴趣的角点并不出现在边界上  
 %个人觉得这一部分是的主要目的是找出可能是角点的点，缩小范围，加快运算速度。  
 %具体思想是如果中心点（i,j）周围8个点中有7、8个点灰度值与之相似，那么该中心点应该处于平坦区域，不可能为角点，  
 %如果中心点（i,j）周围只有1个点或者没有点与之相似，那么该中心点也不可能为角点。  
 boundary=8;  
 for i=boundary:nrow-boundary+1   
    for j=boundary:ncol-boundary+1  
         nlike=0; %相似点个数  
         if Image(i-1,j-1)>Image(i,j)-t && Image(i-1,j-1)<Image(i,j)+t   
            nlike=nlike+1;  
         end  
         if Image(i-1,j)>Image(i,j)-t && Image(i-1,j)<Image(i,j)+t    
            nlike=nlike+1;  
         end  
         if Image(i-1,j+1)>Image(i,j)-t && Image(i-1,j+1)<Image(i,j)+t    
            nlike=nlike+1;  
         end    
        if Image(i,j-1)>Image(i,j)-t && Image(i,j-1)<Image(i,j)+t    
            nlike=nlike+1;  
         end  
         if Image(i,j+1)>Image(i,j)-t && Image(i,j+1)<Image(i,j)+t    
            nlike=nlike+1;  
         end  
         if Image(i+1,j-1)>Image(i,j)-t && Image(i+1,j-1)<Image(i,j)+t    
            nlike=nlike+1;  
         end  
         if Image(i+1,j)>Image(i,j)-t && Image(i+1,j)<Image(i,j)+t    
            nlike=nlike+1;  
         end  
         if Image(i+1,j+1)>Image(i,j)-t && Image(i+1,j+1)<Image(i,j)+t    
            nlike=nlike+1;  
         end  
         if nlike>=2 && nlike<=6  
             Corner(i,j)=1;%如果周围有2~6个相似点，那(i,j)就是角点  
         end;  
     end;  
 end;  
CRF = zeros(nrow,ncol);    % CRF用来保存角点响应函数值,初值全零  
 CRFmax = 0;                % 图像中角点响应函数的最大值，作阈值之用   
k=0.05;     
% 计算CRF  
 %工程上常用CRF(i,j) =det(M)/trace(M)计算CRF，那么此时应该将下面第105行的  
 %比例系数k设置大一些，k=0.1对采集的这几幅图像来说是一个比较合理的经验值  
 for i = boundary:nrow-boundary+1  
     for j = boundary:ncol-boundary+1  
     if Corner(i,j)==1  %只关注候选点  
         M = [A(i,j) C(i,j);  
              C(i,j) B(i,j)];        
         CRF(i,j) = det(M)-k*(trace(M))^2;  
         if CRF(i,j) > CRFmax   
            CRFmax = CRF(i,j);      
        end;              
    end  
 end;               
end;    
%CRFmax  
 count = 0;       % 用来记录角点的个数  
 t=0.01;          
% 下面通过一个3*3的窗口来判断当前位置是否为角点  
 for i = boundary:nrow-boundary+1   
for j = boundary:ncol-boundary+1  
         if Corner(i,j)==1  %只关注候选点的八邻域  
             if CRF(i,j) > t*CRFmax && CRF(i,j) >CRF(i-1,j-1) ......%?????为什么要CRF(i,j) > t*CRFmax啊？求大神告知  
                && CRF(i,j) > CRF(i-1,j) && CRF(i,j) > CRF(i-1,j+1) ......  
                && CRF(i,j) > CRF(i,j-1) && CRF(i,j) > CRF(i,j+1) ......  
                && CRF(i,j) > CRF(i+1,j-1) && CRF(i,j) > CRF(i+1,j)......  
                && CRF(i,j) > CRF(i+1,j+1)   
            count=count+1;%这个是角点，count加1  
             else % 如果当前位置（i,j）不是角点，则在Corner(i,j)中删除对该候选角点的记录  
                 Corner(i,j) = 0;       
            end;  
         end;   
end;   
end;   
% disp('角点个数');  
 % disp(count)  
 figure,imshow(Image);      % display Intensity Image  
 hold on;   
% toc(t1)  
 for i=boundary:nrow-boundary+1   
for j=boundary:ncol-boundary+1  
         column_ave=0;  
         row_ave=0;  
         k=0;  
        if Corner(i,j)==1  
             for x=i-3:i+3  %7*7邻域  
                 for y=j-3:j+3  
                     if Corner(x,y)==1  
 % 用算数平均数作为角点坐标，如果改用几何平均数求点的平均坐标，对角点的提取意义不大  
                         row_ave=row_ave+x;  
                         column_ave=column_ave+y;  
                         k=k+1;  
                     end  
                 end  
             end  
         end  
         if k>0 %周围不止一个角点             
             plot( column_ave/k,row_ave/k ,'g.');  
         end  
 end;   
end;
采用国际会议中心的图片进行实验，效果如下：
原图：


标记效果图：

为了验证Harris的旋转不变性，将原图旋转后实验效果如下：