【OpenCV】harris算法角点检测

最新推荐文章于 2024-08-21 20:30:00 发布

wL魔法师

最新推荐文章于 2024-08-21 20:30:00 发布

阅读量455

点赞数 1

分类专栏：计算机视觉文章标签： opencv

本文链接：https://blog.csdn.net/qq_33000453/article/details/109116225

版权

计算机视觉专栏收录该内容

15 篇文章 1 订阅

订阅专栏

角点引入

如图所示，从图像的灰度级考虑，A，B为平面无论沿任何方向灰度级都不会发生过大的变化。C，D沿某一方向会发生巨大变化。E，F沿着任何方向都发生巨大变化。

结论

$R= detM- \alpha (trac M)^2$

其中， $det M=\lambda _1 \lambda_2$ ， $traceM=\lambda_1+\lambda_2$

当R》》0时，为角点，

当R $\approx$ 0时，为边界，

当R《0时，平坦区。

推导

本质上是根据图像滑动前后灰度的变化进行判断，所以是一个减法：

其中， u,v 是窗口当前的坐标 I(u,v) 为当前的灰度值， $I(u+\Delta x ,v+\Delta y )$ 为进行微小移动后的灰度值。 w(u,v) 是窗口的权重项。

基于泰勒展开，对图像 I(x,y) 在平移 $(\Delta x,\Delta y)$ 后进行一阶近似：

其中， I_x,I_y 是 I(x,y) 的偏导数

近似可得

二次函数 $A\Delta x^2+2C\Delta x \Delta y +B\Delta y^2$ 可以理解为一个不在原点的椭圆它的等高线未定，设 $A\Delta x^2+2C\Delta x \Delta y +B\Delta y^2 =1$ 且因为M是是对称阵，椭圆可以化简为 $\lambda_1 x^2+\lambda_2y^2=C$ ,如图

所以这个椭圆=灰度值差值，它的某个方向的变化大小（形状）体现它当前位置的情况（平坦、边、脚），如图

所以推出判断标准：

$R= detM- \alpha (trac M)^2$

其中， $det M=\lambda _1 \lambda_2$ ， $traceM=\lambda_1+\lambda_2$

当R》》0时，为角点，

当R $\approx$ 0时，为边界，

当R《0时，平坦区。

补充：非极大值抑制，NMS。有的边灰度值变化也大，但并不是角点。

代码实现

import cv2

img = cv2.imread('./data/test2.png')
print ('img.shape:',img.shape)
#转换为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)


#cv2.cornerHarris(img, blockSize, ksize, k)
# img:数据类型为float32的图像
# blockSize: 角点检测中指定区域的大小
# ksize: Sobel求导中使用的窗口大小，边缘检测的算子
# k :参数，一般取[0.04]
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
print ('dst.shape:',dst.shape)

# dst.max是最大值,一定是角点
# 只要dst中满足0.01倍的最大值，就判定为角点，要求较高的也可以设置为其他倍数
img[dst>0.01*dst.max()]=[0,0,255]
cv2.imshow('dst',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imwrite('./data/test_1_dst.jpg',img)