Harris角点检测

目录

1.基本思想

2.不同类型的角点

3.数学表达

4.优化推导

5.代码实现

6.第一组场景结果截图与分析

7.第二组场景结果截图与分析

8.第三组场景结果截图与分析

10.在图像间寻找对应点

11.实验总结

---

1.基本思想

为了判断图像的角点，可以利用卷积窗口滑动的思想，让以该点为中心的窗口在附近滑动。如下图是所有描述角点文章的初始图例，它表征的正是这一特性：当滑动窗口在所有方向移动时，窗口内的像素灰度出现了较大的变化，就可能是角点。

2.不同类型的角点

3.数学表达

4.优化推导

5.代码实现

# -*- coding: utf-8 -*-
from pylab import *
from PIL import Image
from PCV.localdescriptors import harris
from numpy import *

"""
Example of detecting Harris corner points (Figure 2-1 in the book).
"""
# 添加中文字体支持
from matplotlib.font_manager import FontProperties
font = FontProperties(fname=r"C:\windows\fonts\SimSun.ttc", size=14)


# 读入图像
im = array(Image.open('D:\JMU\computer_vision\experience2\scene1.jpg').convert('L'))

# 检测harris角点
harrisim = harris.compute_harris_response(im)

# Harris响应函数
harrisim1 = 255 - harrisim

gray()

#画出Harris响应图
subplot(221)
title(u'Harris响应图',fontproperties=font)
imshow(harrisim1)
print harrisim1.shape
print harrisim
axis('off')
axis('equal')

threshold = [0.01, 0.05, 0.1]
for i, thres in enumerate(threshold):
    filtered_coords = harris.get_harris_points(harrisim, 6, thres)
    subplot(2, 2, i+2)
    imshow(im)
    print im.shape
    plot([p[1] for p in filtered_coords], [p[0] for p in filtered_coords], '*')
    axis('off')



#原书采用的PCV中PCV harris模块
#harris.plot_harris_points(im, filtered_coords)

# plot only 200 strongest
# harris.plot_harris_points(im, filtered_coords[:200])

show()

6.第一组场景结果截图与分析

注：以下图使用的均为 Harris 角点检测器检测角点：每个图的第一幅为 Harris 响应函数；二、三、四分别为使用阈值0.01、0.05 和 0.1 检测出的角点

（1）第一组场景第一幅图

 

该图片的最佳 Harris 点为

 

 

（2）第一组场景第二幅图：

该图片的最佳 Harris 点为

 

（3）第一组场景第三幅图：

该图片的最佳 Harris 点为

 

（4）第一组场景第四幅图：

 

该图片的最佳 Harris 点为

 

 

（5）第一组场景第五幅图：

该图片的最佳 Harris 点为

 

（6）第一组场景结果分析

根据以上实验结果可知，其他条件不变的情况下，当使用的阈值越大，检测出来的角点越少。由上图也可知，垂直或水平边缘多的图片它所拥有的角点也比较多，比较密集。

7.第二组场景结果截图与分析

注：以下图使用的均为 Harris 角点检测器检测角点：每个图的第一幅为 Harris 响应函数；二、三、四分别为使用阈值0.01、0.05 和 0.1 检测出的角点

（1）第二组场景第一幅图：

该图片的最佳 Harris 点为

 

（2）第二组场景第二幅图：

 

该图片的最佳 Harris 点为

 

（3）第二组场景第三幅图：

该图片的最佳 Harris 点为

 

（4）第二组场景第四幅图：

该图片的最佳 Harris 点为

 

（5）第二组场景第五幅图：

该图片的最佳 Harris 点为

（6）第二组场景结果分析

由上图可知，当图片处于远处拍摄时，角点相对较多；当处于近处拍摄时，角点相对较少。近处拍摄到的东西较少，远处的较多，因此远处更易于检测出角点，且距离的远近对检测角点有影响。

 

8.第三组场景结果截图与分析

注：以下图使用的均为 Harris 角点检测器检测角点：每个图的第一幅为 Harris 响应函数；二、三、四分别为使用阈值0.01、0.05 和 0.1 检测出的角点

（1）第三组场景第一幅图：

该图片的最佳 Harris 点为

 

（2）第三组场景第二幅图：

 

该图片的最佳 Harris 点为

 

（3）第三组场景第三幅图：

该图片的最佳 Harris 点为

 

（4）第三组场景第四幅图：

该图片的最佳 Harris 点为

 

（5）第三组场景第五幅图：

该图片的最佳 Harris 点为

（6）第三组场景结果分析

由上图可知，当图片处于不同的亮度情况下拍出来的照片，所检测出来的角点也相对不同。当处于自然光照亮的情况下，亮度越大，角点也越多。

 

10.在图像间寻找对应点

（1）Harris角点检测器可以给出图像中检测到兴趣点，但它并没有提供在图像间对兴趣点进行比较的方法，我们需要在每个角点添加描述子，以及对这些描述子进行比较。

（2）代码

 # -*- coding: utf-8 -*-
from pylab import *
from PIL import Image

from PCV.localdescriptors import harris
from PCV.tools.imtools import imresize

"""
This is the Harris point matching example in Figure 2-2.
"""

# Figure 2-2上面的图
#im1 = array(Image.open("../data/crans_1_small.jpg").convert("L"))
#im2= array(Image.open("../data/crans_2_small.jpg").convert("L"))

# Figure 2-2下面的图
im1 = array(Image.open("D:\JMU\computer_vision\experience2\scene2.jpg").convert("L"))
im2 = array(Image.open("D:\JMU\computer_vision\experience2\scene3.jpg").convert("L"))

# resize加快匹配速度
im1 = imresize(im1, (im1.shape[1]/2, im1.shape[0]/2))
im2 = imresize(im2, (im2.shape[1]/2, im2.shape[0]/2))

wid = 5
harrisim = harris.compute_harris_response(im1, 5)
filtered_coords1 = harris.get_harris_points(harrisim, wid+1)
d1 = harris.get_descriptors(im1, filtered_coords1, wid)

harrisim = harris.compute_harris_response(im2, 5)
filtered_coords2 = harris.get_harris_points(harrisim, wid+1)
d2 = harris.get_descriptors(im2, filtered_coords2, wid)

print 'starting matching'
matches = harris.match_twosided(d1, d2)

figure()
gray() 
harris.plot_matches(im1, im2, filtered_coords1, filtered_coords2, matches)
show()

（3）结果截图

 

 

结果分析：

由上图可知，该算法的结果存在一些不正确匹配。上图反映出角点检测不具有尺度不变性和旋转不变性，而算法中像素块的大小也会影响对应匹配的结果。

11.实验总结

通过本次实验，使我对Harris角点的检测有了更深一步的了解，对于图片的处理也有了更深一步的了解。当然，在实验时也发现了自己的不足之处，对代码的了解并不是很深，因此花了很多的时间来研究代码。