作业3（ Harris角点）

最新推荐文章于 2023-09-14 21:23:40 发布
最新推荐文章于 2023-09-14 21:23:40 发布
阅读量341 收藏
点赞数
分类专栏： 2017.8图像特征提取学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/AliceHai/article/details/79511949
版权

 Harris找角点

分为3个部分

1.    直接求E找角点

2.    通过泰勒公式等求R找角点

3.    不同程度的高斯模糊后找角点


 
1. 直接求E的方法。

主函数：
%导入图片，转换成double型，转换成灰度图
iml=imread('iml.jpg');
imr=imread('imr.jpg');
iml=im2double(iml);
imr=im2double(imr);
iml_gray=rgb2gray(iml);
imr_gray=rgb2gray(imr);
imshow(iml_gray),title('iml_gray');
figure,imshow(imr_gray),title('imr_gray');

%调用 Harris_E( ) 计算得到矩阵E
I_big_sq=21;   %大方块大小为21x21
I_little_sq=9;   %在I中移动的正方形,对Harris_E中的patch_red
sigma=4;     %Harris_E中的高斯矩阵的sigma
E_l=Harris_E(iml_gray, I_big_sq, I_little_sq, sigma);
E_r=Harris_E(imr_gray, I_big_sq, I_little_sq, sigma);
figure,imshow(E_l,[]),title('E_l');
figure,imshow(E_r,[]),title('E_r');

%设置阈值，筛选点
Threshold=0.2;
%筛选右图
high_Er=size(E_r,1);
wide_Er=size(E_r,2);
E_rt=zeros(high_Er, wide_Er);
for i=1:high_Er
for j=1:wide_Er
if E_r(i,j)>Threshold
E_rt(i,j)=1;
end
end
end
figure,imshow(E_rt),title('筛选后的右图E_rt');
%筛选左图
high_El=size(E_l,1);
wide_El=size(E_l,2);
E_lt=zeros(high_El, wide_El);
for i=1:high_El
for j=1:wide_El
if E_l(i,j)>Threshold
E_lt(i,j)=1;
end
end
end
figure,imshow(E_lt),title('筛选后的左图E_lt');

%在原图上框出特征
sq_keypoint(imr_gray,E_rt,I_big_sq,I_little_sq);%右图
sq_keypoint(iml_gray,E_lt,I_big_sq,I_little_sq);%左图

Harris_E函数内容：
function [ E_sq ] = Harris_E( img,I_big_sq,I_little_sq,sigma )

%输入图片的长宽
high=size(img,1);
wide=size(img,2);


%得到大小为I_little_sq的高斯矩阵
hsize=I_little_sq;
w=fspecial('gaussian',hsize,sigma);
figure,mesh(w);

%E的矩阵
%总E矩阵的高=原图每列I的个数(high/I_big_sq)*每个E矩阵的边长(移动方块往上移动格数+往下移动格数+1原始位置)
E_sq_row=((I_big_sq-1)/2-(I_little_sq-1)/2)*2+1; %一个E的row
E_sq_col=((I_big_sq-1)/2-(I_little_sq-1)/2)*2+1; %一个E的col
E_sq=zeros(fix(high/I_big_sq)*E_sq_row,fix(wide/I_big_sq)*E_sq_col); %总的E


%计算E
for i=1:(high/I_big_sq)         %遍历每一大块 中心(x,y)
y=(I_big_sq+1)/2+I_big_sq*(i-1);  %得到中心点y坐标
for j=1:(wide/I_big_sq)
x=(I_big_sq+1)/2+I_big_sq*(j-1);  %得到中心点x坐标
%取出需要计算的原正方形
patch_red=img(y-(I_little_sq-1)/2:y+(I_little_sq-1)/2,x-(I_little_sq-1)/2:x+(I_little_sq-1)/2);


    %计算中心点为(x,y)方块的对应E，遍历每个(u,v)
    for  v=(-1)*((I_big_sq-1)/2-(I_little_sq-1)/2):((I_big_sq-1)/2-(I_little_sq-1)/2)
    for  u=(-1)*((I_big_sq-1)/2-(I_little_sq-1)/2):((I_big_sq-1)/2-(I_little_sq-1)/2)
    %取出移动后的正方形
    patch_green=img((y-(I_little_sq-1)/2+v):(y+(I_little_sq-1)/2+v),(x-(I_little_sq-1)/2+u):(x+(I_little_sq-1)/2+u));
      %计算E矩阵中的(u,v)处的值，取和(权重*(移动后-原方块))
      sum=0;
      for m=1:I_little_sq
      for n=1:I_little_sq
      sum=sum+w(m,n)*(patch_green(m,n)-patch_red(m,n));
      end 
      end
      %存储E
      E_sq((i-1)*E_sq_row+(E_sq_row+1)/2+v,(j-1)*E_sq_col+(E_sq_col+1)/2+u)=sum;
    end
    end
end
end


end




sq_keypoint函数内容：
function sq_keypoint(imr_gray,E_rt,I_big_sq,I_little_sq)
%在原图上框出特征


high_Ert=size(E_rt,1);
wide_Ert=size(E_rt,2);
length_E=((I_big_sq-1)/2-(I_little_sq-1)/2)*2+1; %E中一块的边长


figure,imshow(imr_gray),title('找到的特征');
hold on;


for i=1:high_Ert/length_E  %遍历E中每一块，取出中心点
y_E=(length_E+1)/2+(i-1)*length_E;
for j=1:wide_Ert/length_E
x_E=(length_E+1)/2+(j-1)*length_E;


for v=(-1)*(length_E-1)/2:(length_E-1)/2
for u=(-1)*(length_E-1)/2:(length_E-1)/2


if E_rt(y_E+v,x_E+u)==1 %如果该点是特征点

%找到对应在原图上的中心坐标
y=(i-1)*I_big_sq+(I_big_sq+1)/2+v;
        x=(j-1)*I_big_sq+(I_big_sq+1)/2+u;

%在原图上用四条线框出特征        
line([(x-(I_little_sq-1)/2) (x+(I_little_sq-1)/2)],[(y-(I_little_sq-1)/2) (y-(I_little_sq-1)/2)],'color','r');
line([(x-(I_little_sq-1)/2) (x+(I_little_sq-1)/2)],[(y+(I_little_sq-1)/2) (y+(I_little_sq-1)/2)],'color','r');
line([(x-(I_little_sq-1)/2) (x-(I_little_sq-1)/2)],[(y-(I_little_sq-1)/2) (y+(I_little_sq-1)/2)],'color','r');
line([(x+(I_little_sq-1)/2) (x+(I_little_sq-1)/2)],[(y-(I_little_sq-1)/2) (y+(I_little_sq-1)/2)],'color','r');


end
end
end


end
end


hold off;


end

2.用泰勒公式计算，计算量更少。
主函数：
>> %导入图片，转换成double型，转换成灰度图
img=imread('img.png');
img=im2double(img);
img_gray=rgb2gray(img);
imshow(img_gray),title('img_gray');

%调用Harris_corner()得到角点
threshold=10^(-7);  %阈值要大于0
I_big_sq=21;   %大方块大小为21x21
I_little_sq=9;   %在I中移动的正方形
sigma=4;     %高斯矩阵的sigma

[corner]=Harris_corner(img_gray,I_big_sq,I_little_sq,sigma, threshold);
figure,imshow(corner),title('Harris角点');

%在原图框出角点
sq_corner(img_gray,corner,I_little_sq);


Harris_corner函数内容：
function  [corner]=Harris_corner( img,I_big_sq,I_little_sq,sigma,threshold)


%输入图片的长宽
high=size(img,1);
wide=size(img,2);


corner=zeros(high,wide);


%得到大小为I_little_sq的高斯矩阵
hsize=I_little_sq;
w=fspecial('gaussian',hsize,sigma);


for i=1:(high/I_big_sq)         %遍历每一大块 中心(x,y)
y=(I_big_sq+1)/2+I_big_sq*(i-1);  %得到中心点y坐标
for j=1:(wide/I_big_sq)
x=(I_big_sq+1)/2+I_big_sq*(j-1);  %得到中心点x坐标


    %遍历每个(u,v)
    for  v=(-1)*((I_big_sq-1)/2-(I_little_sq-1)/2):((I_big_sq-1)/2-(I_little_sq-1)/2)
    for  u=(-1)*((I_big_sq-1)/2-(I_little_sq-1)/2):((I_big_sq-1)/2-(I_little_sq-1)/2)
    %取出移动后的正方形
    patch_green=img((y+v)-(I_little_sq-1)/2:(y+v)+(I_little_sq-1)/2,(x+u)-(I_little_sq-1)/2:(x+u)+(I_little_sq-1)/2);
    [ix iy]=gradient(patch_green);
    lambda1=zeros(I_little_sq,I_little_sq);
    lambda2=zeros(I_little_sq,I_little_sq);
      %计算E矩阵中的(u,v)处的值，取和(权重*(移动后-原方块))
      for m=1:I_little_sq
      for n=1:I_little_sq 
           lambda1(m,n)=ix(m,n)*ix(m,n);
           lambda2(m,n)=iy(m,n)*iy(m,n);
      end 
      end
      
      %计算R
      alpha=0.04;
      R=lambda1*lambda2-alpha*((lambda1+lambda2)^2);
      %只有R大于0，并且大于阈值的时候才是角点
      if R>threshold
      corner(y+v,x+u)=1;
      end 


     
    end
    end
end
end


end


sq_corner函数 内容：

function sq_corner(img_gray,corner,I_little_sq)
%用四条线把找的的特征框出来
temp=(I_little_sq-1)/2;
figure,imshow(img_gray),title('找到的corner');


hold on;


for j=1+temp:size(corner,1)-temp
for i=1+temp:size(corner,2)-temp
if corner(j,i)==1
line([(i-temp) (i-temp)],[(j-temp) (j+temp)],'color','r');
line([(i+temp) (i+temp)],[(j-temp) (j+temp)],'color','r');
line([(i-temp) (i+temp)],[(j-temp) (j-temp)],'color','r');
line([(i-temp) (i+temp)],[(j+temp) (j+temp)],'color','r');
end


end
end


hold off;


end



3.用不同程度的高斯模糊处理图片后再找角点。

%导入图片

im1=imread('im1.png');

im1=rgb2gray(im1);

im1=im2double(im1);


>> %高斯模糊sigma1=1时

sigma1=1;

hsize=11;

B1=gao(im1,sigma1,hsize);

figure,imshow(B1,[]);

 

Threshold=10^(-8);%设置阈值

I_big_sq=21;  

I_little_sq=9;  

sigma=4;   

 

corner_1=Harris_corner(B1, I_big_sq,I_little_sq, sigma,Threshold);

 

%在原图上框出特征

sq_corner(im1,corner_1,I_little_sq);

 

 

 

>> %高斯模糊sigma2=4时

sigma2=4;

hsize=11;

B2=gao(im1,sigma2,hsize);

figure,imshow(B2,[]);

 

Threshold=10^(-8);%设置阈值

I_big_sq=21;  

I_little_sq=9;  

sigma=4;   

 

corner_2=Harris_corner(B2, I_big_sq,I_little_sq, sigma,Threshold);

 

%在原图上框出特征

sq_corner(im1,corner_2,I_little_sq);

 

 

>> %高斯模糊sigma3=10时

sigma3=10;

hsize=11;

B3=gao(im1,sigma3,hsize);

figure,imshow(B3,[]);

 

Threshold=10^(-8);%设置阈值

I_big_sq=21;  

I_little_sq=9;  

sigma=4;   

 

corner_3=Harris_corner(B3, I_big_sq,I_little_sq, sigma,Threshold);

 

%在原图上框出特征

sq_corner(im1,corner_3,I_little_sq);

 

高斯模糊对找角点的影响。

sigma=1

sigma=4

（有时候模糊会有更多的角点）

sigma=10

（一个角点都没找到）






AliceHai
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
特征提取与检测1-Harris角点检测
Qt学视觉
01-24 868
Harris角点检测
计算机视觉第二次博客作业—Harris角点检测算法
weixin_42649744的博客
02-25 343
计算机视觉第二次博客作业—Harris角点检测算法 一，HARRIS角点检测基本思想 我们先来看一幅图片，了解一下什么是角点？ 上图中E,F中的角我们通常称作角点（corner points），他们具有以下特征： 轮廓之间的交点； 对于同一场景，即使视角发生变化，通常具备稳定性质的特征； 该点附近区域的像素点无论在梯度方向上还是其梯度幅值上有着较大变化； harris特征角最早在paper...
【计算机视觉】Lecture 6：Harris 角点检测算子
u010307048的博客
02-29 659
动机：匹配问题 像立体视觉和运动估计这样的视觉任务需要在两个或多个视图中找到相应的特征点。 动机：块匹配 要匹配的元素是固定大小的图像块 任务：在第二个图像中找到最佳（最相似的）图像块 不是所有创造的图像块都是等价的！ 直觉感受：因为它非常唯一独特（第二帧中只有一个图像块看起来相似），所以这是一个很好的匹配图像块。 不是所有创造的图像块都是等价的！ 直觉感受：因为它不是非常唯一独特（在...
OpenCV自学笔记14：Harris角点检测实例
两鬓已不能斑白的专栏
07-06 1160
Harris角点检测实例 本节使用到的图片： # -*- coding:utf-8 -*- import cv2 import numpy as np # Step1. 加载图像、转化为灰度图 img = cv2.imread('images/checkerboard.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray =
harris角点检测计算详细步骤
西山北麓的博客
07-13 3553
说明 步骤 一生成图像 二梯度 三计算ABC 四滤波 五特征值计算 六最小值抑制说明某人说，算法看不懂，公式不明白，举个栗子咯，能看到具体数值的那种。 好吧，举个最简单的角点检测算法吧。以下代码为matlab。 步骤一、生成图像构造一个棋盘图像作为测试图像，并且为了使数据在可见范围内，只生成单格5个像素共2x2大小的棋盘格image = checkerboard(5,1,1); imshow(ima
计算机视觉----Harris 角点检测
欢迎来到我的酒馆
07-28 851
角点 局部窗口沿各方向移动，均产生明显变化的点 图像局部曲线曲率突变的点 Harris 角点检测Harris角点检测的思想完全是根据定义来的 数学表达为： E(u,v)=∑x,yw(x,y)[I(x+u,y+v)−I(x,y)]2E(u,v)=\sum_{x,y}w(x,y)[I(x+u,y+v)-I(x,y)]^2 其中w为窗口函数I(x+u,y+v)I(x+u,y+v)是平移后的图像灰
一.每周一学------Harris角点
qq_45782891的博客
04-11 780
1.角点的定义 点 ，就是图像中的特殊位置，是很常用的一类特征，点的局部特征也可以叫做“关键特征点”(keypoint feature)，或“兴趣点”(interest point)，或“角点”(conrner)。 今天所讲的角点简单定义来说：就是极值点，即在某方面属性特别突出的点。 如上图红圈就是一种很简单的角点。 为什么要检测角点 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...
harris角点检测matla代码
06-29
harris角点检测的matlab代码
基于Matlab实现Harris角点特征检测（源码）.rar
05-13
1、资源内容：基于Matlab实现Harris角点特征检测（源码）.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。 3、解压说明：本资源需要电脑端使用...
基于Matlab实现Harris角点特征检测项目（源码）.rar
05-16
1、资源内容：基于Matlab实现Harris角点特征检测项目（源码）.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。 3、解压说明：本资源需要电脑端...
Harris角点检测拼接包含ransac（灰度图像）基于matlab
05-05
Harris角点检测算法是其中的一种经典方法，它由Chris Harris和Mike Stephens在1988年提出。这个算法通过计算图像局部区域的强度变化来寻找可能的角点。在给定的MATLAB实现中，该算法被优化以处理灰度图像，降低了...
Canny边缘检测器和Harris角点检测器matlab代码.rar
最新发布
07-19
3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 5.作者介绍：某大厂资深算法工程师，从事...
Harris角点检测
qq_41596730的博客
09-17 3376
Harris角点检测
图像处理（九）——Harris角点检测
南木的博客
11-20 2649
实现Harris角点检测算法，并与OpenCV的cornerHarris函数的结果进行比较。 特征点在图像中一般有具体的坐标，并具有某些数学特征，如局部最大或最小灰度、以及某些梯度特征等。角点可以简单的认为是两条边的交点。如下图所示： 在各个方向上移动小窗口，如果在所有方向上移动，窗口内灰度都发生变化，则认为是角点；如果任何方向都不变化，则是均匀区域；如果灰度只在一个方向上变化，则可能是图像...
OpenCV(四十二):Harris角点检测
weixin_63357306的博客
09-14 1569
什么是角点？角点指的是两条边的交点，图中红色圈起来的点就是角点。Harris角点检测原理：首先定义一个矩形区域，然后将这个矩形区域放置在我的图像中，求取这个区域内所有的像素值之和，之后沿着多个方向移动我这个区域，再次计算新区域的像素值之和，如果移动前和移动后的像素值两者的差值比较小，那么就不是Harris角点，如果两者之间差值比较大，就认定移动前覆盖的区域内存在Harris角点。如图：下图两条线形成角点，而矩形区域分别表示平面、边界、角点。
学习笔记 2.1 — Harris角点检测与特征匹配【含实例】
Yebin的博客
03-20 1万+
一. 图像特征匹配 最近刚入门了计算机视觉这门课程，觉得非常有意思，想象一下如果你能够自己做出一款全景拍照的软件，真实地令人激动，当然这全景图像其中的原理就是图像的特征匹配，把不同的图片通过相同的局部特征进行拼接，一张拼一张，最后进行一些平衡化处理后就可以得到全景图了。接下来我们就了解一下这其中的奥义。 图像的局部特征主要分为以下几类： 角点。Harris算子，SUSAN算子, FAST算子。 ...
Harris角点检测原理详解
热门推荐
lwzkiller的专栏
01-20 10万+
关于角点的应用在图像处理上的应用也比较广泛，比如图像匹配(FPM特征点匹配)、相机标定等。网上也有很多博客对Harris角点检测原理进行描述，但基本上只是描述了算法流程，而其中有关细节并未作出解释，这里我想对有些地方做出解释，如有不对，还请指正。 1. 首先，何为角点？ 下面有两副不同视角的图像，通过找出对应的角点进行匹配。 再看下图所示，放大图像的两处角点区域： 我们
【图像处理】（3）harris corner detection(角点检测)
mjiansun的专栏
07-28 2263
那为什么要讨论M呢？因为M的定义式中包含了x和y两个方向上的梯度信息，这两个梯度信息不正是之前分析角点区域特征时所提到的“像素密度的变化情况”吗？之前，在分析角点区域特征时，我们提到对角点来说，它是边的交点，边的特征是梯度在某一方向上产生突变，那么这个交点应该表现为某一区域内有。...............
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值