计算机视觉2—Harris角点检测

目录

 

一、Harris 角点检测算法简介

二、涉及函数

1.compute_harris_response

2.get_harris_points

三、harris算法不同场景的实现

1.边缘丰富场景

2.角点丰富场景

3.纹理平坦场景

四、小结

五、代码

---

一、Harris 角点检测算法简介

1.角点：①局部窗口沿各方向移动，均产生明显变化的点    ②图像局部曲率突变的点

2.Harris 角点检测算法（Harris & Stephens 角点检测器）是一个极为简单的角点检测算法。该算法是利用移动的窗口在图像中计算灰度变化值，应用邻近像素点灰度差值概念，从而进行判断是否为角点、边缘、平滑区域。

3.角点检测基本思想：

边缘：沿着边缘方向移动，无灰度变化

角点：沿任意方向移动，明显灰度变化

平坦：任意方向移动，无灰度变化

二、涉及函数

1.compute_harris_response

该函数在 harris.py 文件中，该函数在一幅灰度图像中，对每个像素计算Harris角点检测器响应函数。因在角点检测中需要抑制噪声，使用了 scipy.ndimage.filters 模块中的高斯导数滤波器来计算导数。

from pylab import *
from numpy import *
# 使用 scipy.ndimage.filters 模块中的高斯导数滤波器来计算导数
from scipy.ndimage import filters

该函数有两个参数（im, sigma），im为传入图像，sigma则定义了高斯滤波器的尺度大小，该函数返回像素值为Harris响应函数的一幅图像 。

对图像中的每一个像素，计算Harris矩阵时，Harris矩阵的特征值有三种情况：

• 都是很大的正数，则该点是角点
• 一个很大，一个约等于0，则该区域存在一个边
• 都约等于0，该区域为空

def compute_harris_response(im,sigma=3):
    # 在一幅灰度图像中，对每个像素计算Harris角点检测器响应函数
    
    # 计算导数
    imx = zeros(im.shape)
    filters.gaussian_filter(im, (sigma,sigma), (0,1), imx)
    imy = zeros(im.shape)
    filters.gaussian_filter(im, (sigma,sigma), (1,0), imy)
    
    # 计算harris矩阵分量
    Wxx = filters.gaussian_filter(imx*imx,sigma)
    Wxy = filters.gaussian_filter(imx*imy,sigma)
    Wyy = filters.gaussian_filter(imy*imy,sigma)
    
    # 计算矩阵的特征值和迹
    Wdet = Wxx*Wyy - Wxy**2
    Wtr = Wxx + Wyy

    # 返回像素值为 Harris 响应函数值的一幅图像
    return Wdet / Wtr

 

2.get_harris_points

该函数同样是在 harris.py 文件中，上面的compute_harris_response函数返回了像素值为 Harris 响应函数值的一幅图像，我们需要从这幅图像中挑选出需要的信息&#x