【图像预处理】 Harris角点检测器原理及C++实现

在图像中，点的位置很多时候是很有用的。我们经常会在图像处理的过程中提取我们的兴趣点，而角点是很好的兴趣点。在解决许多实际问题时，使用角点特征的效果优于线（或者边缘）。这是因为观察一条移动直线时，只有其垂直于线段的运动分量能被观测到，而语线段共线的分量则不可见。角点则不同，他们提供唯一匹配。
Harris角点检测器是一种比较常用的检测器，它对二维平移和旋转、少量光照变化和视角变化具有鲁棒性，并且计算量很小。另外，该算法通过构造矩阵，利用矩阵的特征值来描述图像局部信息的思想是值得学习的。

---

原理

Harris角点检测考虑了灰度值平方差的和的差分。从一幅二维图像f中，选取一个图像块, 平且平移。则图像块W内，灰度值与其平移后的图像之差的平方和S为： （1）
将平移后图像灰度值用一阶泰勒展开近似，有： （2），
此时，（1）式有解析解，将（2）式代入（1）式并化简，有以下公式：
（3）
式中AW矩阵表示图像区域W在点(x,y)处的二阶导数的一半。记A为两倍AW，称为Harris矩阵代表了图像的局部结构。
（4）

通常会使用一个各向同性的窗用A并用，常用高斯窗。由于高斯算子是线性算子，故可先对图像进行高斯平滑后，在计算A。A是一个半正定对称矩阵，其主要变换模式对应正交方向的偏微分，并由其两个特征值反映。有以下三种不同的情形：1. 两个特征值都很小，意味着水平与竖直方向的变换都很小，中心像素处于平坦区域，没有角点；2. 一个特征值很大，另一个很小，意味着图像位于边缘，垂直于边缘的运动方向，f的变化很大，而沿着边缘的方向变化很小。也认为不是角点；3.两个特征值都很大，意味着水平竖直方向的变化率都很快，任何方向稍有运动图像都会发生显著的变化，此时认为是角点。

---

算法实现过程

Harris提出了一种不用计算矩阵的特征值而可以得到局部特征信息的方法。通过构造一个响应函数: （5）
式中，kappa是可调参数，建议值在0.04～0.15。

---

1. 对输入图像进行高斯滤波
2. 遍历图像，计算每个像素的水平，竖直方向梯度的大小。使用近似于导数的差分核做两次卷积即可。
3. 对每一像素设置一定半径的邻域，计算局部特征矩阵A（式4）以及响应函数（式5）。
4. 为响应函数选取一个阈值，为了选择最佳的候选角点，使用非极大抑制方法。

---

代码C++

/
//输入图像数组 BYTE* m_pBitmap;
//宽×高：m_dwHeight * m_dwWidth;
//位深：8位灰度图像

实现过程中用到的函数：
高斯滤波

void ImgGaussSmooth(BYTE* pBitmap, int dwHeight, int dwWidth, float seta)
{
    double pi = 3.1415926;
    int i, j, m, n;
    int nHWndSize = (int)(3.0 * sqrt(2.0) * seta + 0.5) - 1;        // 模板半宽 
    int nWndSize  = (nHWndSize << 1) + 1;                       // 模板宽

    if( nHWndSize < 1 ) return