角点检测

角点定义

解决问题时，往往希望找到特征点，"特征"即能描述物体本质的东西，还有一种解释是这个特征微小的变化都会对物体的某一属性产生重大的影响，而角点就是这样的特征。

"如果某一点在任意方向的一个微小变动都会引起灰度很大的变化，那么把它称之为角点"

特征检测与匹配是计算机视觉应用中重要的一部分，这需要寻找图像之间的特征建立对应关系。点，也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"，或"兴趣点"，或"角点"。

在图像处理和计算机视觉领域，兴趣点，或称做关键点、特征点被大量用于解决物体识别，图像识别、图像匹配、视觉跟踪、三维重建等一系列问题。我们不再观察整幅图，而是选择某些特殊的点，然后对它们进行局部有的放失的分析。如果能检测到足够多的点，同时它们的区分度很高，并且可以精确定位稳定的特征，那么这个方法就有使用价值。

图像特征类型可以被分为以下三种：

1.边缘

2.角点（感兴趣关键点）

3.斑点（Blobs）（感兴趣区域）

角点检测算法的分类

在当前的图像处理领域，角点检测算法可以归纳为三类：

1.基于灰度图像的角点检测

2.基于二值图像的角点检测

3.基于轮廓曲线的角点检测

Harris角点检测原理

Harris依据以下直观判断：

角点：窗口移动在水平、垂直两个方向上变化均较大的点，即Lx和Ly均比较

边界：仅在水平、或者仅在竖直方向有较大的变化量，另一个没有什么变化，即Lx和Ly中只有一个比较大

平坦地区：在水平、竖直方向的变化量比较小，即Lx和Ly都比较小

将图像窗口平移【u,v】产生灰度变化E【u,v】

其中，w(x,y)是窗口函数，向量【u,v】表示某个方向，以及在该方向上的位移。上述公式表明，E【u,v】表示某个方向上图像灰度的变化。角色检测中若使E【u,v】的值最大，即使得方程右侧第二项取值最大

由得到：

记上述结果为△，则可以得到：

其中M是2*2矩阵，可由图像的导数求得：

Ix和Iy是图像在x方向和y方向的导数。他们根据一个用来判定窗口内是否包含角点的等式进行打分

根据这些特征便可以判断一个区域是否是角点，边界或者平面：

当λ1和λ2都小时，|R|也小，这个区域就是一个平坦区域；

当λ1>>λ2 或者λ1<<λ2，R小于0，这个区域是边缘

当λ1和λ2都很大是，R也很大（λ1和λ2中的最小值都大于阈值），说明这个区域是角点。

用下面的图来表示我们的结论：

所以Harris角点检测的结果是一个由角点分数构成的灰度图像。选取适当的阈值对结果图像进行二值化就检测到图像中的角点。

 

原创：https://blog.csdn.net/qq_36387683/article/details/80550078