【MQ笔记】Harris角点检测1：算法详解

目录

什么是角点？

Harris角点检测算法

Harris角点的性质

---

什么是角点？

正如我们描述一个物体，需要点明颜色、形状、材质等“关键词”一样，当我们处理图片的时候，也要着重关注能反映或描述图像本质的“ 特征（feature）”。这里的特征包括全局特征（直方图、方差）和局部特征（角点、边缘点）等。

角点检测（Corner Detection）是计算机视觉系统中用来获得图像特征的一种重要方法，也称为特征点检测（Feature Point Detection）。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，那么我们就把这个点称为图像的一个角点（Corner）。更形象一点的话，我们可以把角点理解为平面的交汇处或者边的交点，导致交点的局部区域具有多个不同区域的不同方向的边界。比如说下图中，在窗格A-F中，EF即为我们要找的交点。

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，有效地提高了计算的速度，有利于图像的可靠匹配，该方法也是特征检测与匹配的基础。

识别角点

在当前的图像处理领域中，角点检测算法可以分为：（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。

近年来提出的角点检测方法大多是基于灰度图像的角点检测，又可以分为：

（1）基于边缘特征的角点检测。主要分三个步骤：首先，对图像进行预分割；然后，对预分割后得到的图像中边界轮廓点进行顺序编码，得到边缘轮廓链码；最后，根据边缘轮廓链码对图像中的角点进行描述和提取。Wallg和Braday提出了一种基于表面曲率的角点检测算法。为了改善角点检测的稳定性，首先将图像和高斯滤波器卷积，然后计算整个图像的表面曲率，当曲率高于一定阈值，并为局部最大值的点被认为是候选角点。

（2）基于模板的角点检测。一般首先建立一系列具有不同角度的角点模板，然后在一定的窗口内比较待测图像与标准模板之间的相似程度，以此来检测图像中的角点。基于模板的方法主要考虑像素邻域点的灰度变化，即图像亮度的变化，将与邻点亮度对比足够大的点定义为角点。首先设计一系列角点模板，然后计算模板与所有图像子窗口的相似性，以相似性判断在子窗口中心的像素是否为角点。

（3）基于亮度变化的角点检测。该算法基于角点相应函数（CRF）对每个像素基于其模板邻域的图像灰度计算CRF值，如果大于某一阈值且为局部极大值，则认为该点为角点。

---

Harris角点检测算法

Chris Harris 和 Mike Stephens 于1988年Proc of 4th Alvey Vision Conference发表的“A Combined Corner and Edge Detector”中提出了Harris 角点提取算法，又称Plessey算法。harris角点检测是一种直接基于灰度图像的角点提取算法。

Harris角点检测的基本思想是，使用一个固定穿扩在图像上进行任意方向的滑动，比较滑动前与滑动后窗口中的像素灰度变化程度，如果对于任意方向的滑动，都有较大程度的灰度变化，那么我们可以认为该窗口中存在角点。

平坦区域、边缘、角点的区别

对于一张灰度图片中的点，其灰度值为。我们选择一个合适大小的窗口来

当窗口发生移动时，移动前后对应的窗口中的像素点灰度变化如下所示：