1.角点概述
角点就是极值点,即在某方面属性特别突出的点。我们也可以自己定义角点的属性(设置特定熵值进行角点检测)。角点可以是两条线的交叉处,也可以是位于相邻的两个主要方向不同的事物上的点。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作用。角点在保留图像图形重要特征的同时,可以有效地减少信息的数据量,使其信息的含量很高,有效地提高了计算的速度,有利于图像的可靠匹配,使得实时处理成为可能。角点在三维场景重建运动估计,目标跟踪、目标识别、图像配准与匹配等计算机视觉领域起着非常重要的作用。
在现实世界中,角点对应于物体的拐角,道路的十字路口、丁字路口等。从图像分析的角度来定义角点可以有以下两种定义:
(1)角点可以是两个边缘的角点;
(2)角点是邻域内具有两个主方向的特征点;
2.Harris角点检测基本原理
人眼对角点的识别通常是在一个局部的小区域或小窗口完成的。如果在各个方向上移动这个特征的小窗口,窗口内区域的灰度发生了较大的变化,那么就认为在窗口内遇到了角点。如果这个特定的窗口在图像各个方向上移动时,窗口内图像的灰度没有发生变化,那么窗口内就不存在角点;如果窗口在某一个方向移动时,窗口内图像的灰度发生了较大的变化,而在另一些方向上没有发生变化,那么,窗口内的图像可能就是一条直线的线段。如下图:
①将图像窗口平移[u,v]产生灰度变化的自相关函数如下:
其中:
[u,v]:窗口W的偏移量
(x,y):窗口W所对应的像素坐标位置,窗口有多大,就有多少个位置
I(x,y):像素坐标位置(x,y)的图像灰度值
I(x+u,y+v):像素坐标位置(x+u,y+v)的图像灰度值
w(x,y):窗口函数
最简单情形就是窗口W内的所有像素所对应的w权重系数均为1.但有时候,我们会将w(x,y)函数设置为以窗口W中心为原点的二元正太分布。如果窗口W中心点是角点时,移动前与移动后,该点在灰度变化贡献最大;而离窗口W中心(角点)较远的点,这些点的灰度变化几近平缓,这些点的权重系数,可以设定小值,以示该点对灰度变化贡献较小,那么使用二元高斯函数来表示窗口函数。窗口函数通常有如下两种形式:
根据上述表达式,当窗口在平坦区域上移动,灰度不会发生什么变换,即E(u,v)=0;当窗口处在纹理比较丰富的区域上滑动,那么灰度变化会很大。算法最终思想就是计算灰度发生较大变化时所对应的位置,当然这个较大是指任意方向上的滑动,并非单指某个方向。
②化简E(u,v)
这时要回忆一下大一的高数相关内容——泰勒公式,任何一个函数表达式,均可有泰勒公式进行展开,以逼近原函数,下面对函数进行一阶展开:
由于是对局部微小的移动量 [u,v],所以可以近似得到下面忽略余项之后的表达式为一个二项式函数:
最后公式可以化简为:
其中:
Ix ,Iy分别为窗口内像素点(x,y)在x方向上和y方向上的梯度值
上面我们说到,忽略余项之后的表达式为一个二项式函数,然而二项式函数的本质上就是一个椭圆函数,椭圆的扁率和尺寸是由M(x,y)的特征值λ1、λ2决定的,椭圆的方向是由M(x,y)的特征矢量决定的,如下图所示,椭圆方程为: