Python+OpenCV图像处理（七）——Harris特征点检测

---

系列文章
Python+OpenCV图像处理（一）——OpenCV框架与图像插值算法
Python+OpenCV图像处理（二）——几何变换
Python+OpenCV图像处理（三）——彩色空间互换
Python+OpenCV图像处理（四）——图像滤波
Python+OpenCV图像处理（五）——图像阈值和二值化
Python+OpenCV图像处理（六）——边缘检测
Python+OpenCV图像处理（七）——Harris特征点检测

---

七、Harris特征点检测

在图像处理领域中，特征点又被称为兴趣点或者角点，它通常具有旋转不变性和光照不变性和视角不变性等优点，是图像的重要特征之一，常被应用到目标匹配、目标跟踪、三维重建等应用中。点特征主要指图像中的明显点，如突出的角点、边缘端点、极值点等等，用于点特征提取的算子称为兴趣点提取（检测）算子，常用的有Harris角点检测、FAST特征检测、SIFT特征检测及SURF特征检测。

注：注意区分边缘检测和特征点检测

7.1 角点

使用一个滑动窗口在下面三幅图中滑动，可以得出以下结论：

• 左图表示一个平坦区域，在各方向移动，窗口内像素值均没有太大变化
• 中图表示一个边缘特征（Edges），如果沿着水平方向移动(梯度方向)，像素值会发生跳变；如果沿着边缘移动(平行于边缘) ，像素值不会发生变化
• 右图表示一个角（Corners），不管你把它朝哪个方向移动，像素值都会发生很大变化。

 

不同类型的角点

 

图像梯度

在图像局部内，图像梯度越大表示该局部内像素值变化越大（灰度的变化率越大）。 而图像的梯度在数学上可用微分或者导数来表示。对于数字图像来说，相当于是二维离散函数求梯度，并使用差分来近似导数：
$$G_x(x,y)=H(x+1,y)-H(x-1,y)$$

$$G_y(x,y)=H(x,y+1)-H(x,y-1)$$在实际操作中，对图像求梯度通常是考虑图像的每个像素的某个邻域内的灰度变化，因此通常对原始图像中像素某个邻域设置梯度算子，然后采用小区域模板进行卷积来计算，常用的有Prewitt算子、Sobel算子、Robinson算子、Laplace算子等。

7.2 Harris角点检测算法

算法的核心是利用局部窗口在图像上进行移动，判断灰度是否发生较大的变化。如果窗口内的灰度值（在梯度图上）都有较大的变化，那么这个窗口所在区域就存在角点。

step：

• 当窗口（局部区域）同时向 x （水平）和 y（垂直） 两个方向移动时，计算窗口内部的像素值变化量 $E(x,y)$ ；
• 对于每个窗口，都计算其对应的一个角点响应函数 $R$；
• 然后对该函数进行阈值处理，如果 $R>threshold$，表示该窗口对应一个角点特征。

7.2.1 建立数学模型

让一个窗口的中心位于灰度图像的一个位置$(x,y)$，这个位置的像素灰度值为$I(x,y)$ ，如果这个窗口分别向 $x$ 和 $y$ 方向移动一个小的位移$u$和$v$，到一个新的位置 $(x+u,y+v)$ ，这个位置的像素灰度值就是$I(x+u,y+v)$ 。

$|I(x+$