一、Harris角点检测理论
- 首先需要明确什么是角点
- 角点的特点
平坦区域:窗口移动在所有方向没有明显的梯度变化
边缘区域:窗口移动在某个方向有明显梯度变化
角点区域:窗口移动在各个方向梯度值都有明显变化 - 公式推导
窗口平移 [ U , V ] [U, V] [U,V]方向产生灰度变化 E ( u , v ) E(u, v) E(u,v),可以将公式写为
E ( u , v ) = ∑ x , y w ( x , y ) [ I ( x + u , y + v ) ] − I ( x , y ) ] 2 E(u,v)=\sum_{x,y}w(x,y){[I(x+u,y+v)]-I(x,y)]}^2 E(u,v)=∑x,yw(x,y)[I(x+u,y+v)]−I(x,y)]2
- w ( x , y ) w(x,y) w(x,y):窗口函数,内含权重信息,常用的权重为1或者高斯正态分布。
- 函数 I I I:像素密度函数,类比于像素值。
- x , y x,y x,y:窗口像素坐标
- u , v u,v u,v:窗口偏移量
根据上述公式可知,当窗口在平坦区域上滑动时,
E
(
u
,
v
)
=
0
E(u, v)=0
E(u,v)=0;如果窗口处于变化剧烈的区域,灰度变化会很大,
E
(
u
,
v
)
E(u, v)
E(u,v)值也会很大。
下面要做的就是找到
E
(
u
,
v
)
E(u, v)
E(u,v)的最大值,对于给定的窗口函数
w
(
x
,
y
)
w(x,y)
w(x,y),我们就要找到
[
I
(
x
+
u
,
y
+
v
)
]
−
I
(
x
,
y
)
]
2
[I(x+u,y+v)]-I(x,y)]^2
[I(x+u,y+v)]−I(x,y)]2的最大值。
根据泰勒公式
f
(
x
+
u
,
y
+
v
)
≈
f(x+u,y+v)\approx
f(x+u,y+v)≈
f
(
x
,
y
)
+
u
f
x
(
x
,
y
)
+
v
f
y
(
x
,
y
)
f(x,y)+uf_x(x,y)+vf_y(x,y)
f(x,y)+ufx(x,y)+vfy(x,y)
可以得到:
∑
\sum
∑
[
I
(
x
+
u
,
y
+
v
)
]
−
I
(
x
,
y
)
]
2
≈
[I(x+u,y+v)]-I(x,y)]^2\approx
[I(x+u,y+v)]−I(x,y)]2≈
∑
\sum
∑
u
2
I
x
2
+
2
u
v
I
x
I
y
+
v
2
I
y
2
u^2I_x^2+2uvI_xI_y+v^2I_y^2
u2Ix2+2uvIxIy+v2Iy2
= ∑ \sum ∑ [ u v ] \begin{bmatrix} u&v\\ \end{bmatrix} [uv] [ I x 2 I x I y I x I y I y 2 ] \begin{bmatrix} I_x^2&I_xI_y\\ I_xI_y&I_y^2 \end{bmatrix} [Ix2IxIyIxIyIy2] [ u v ] \begin{bmatrix} u\\ v\\ \end{bmatrix} [uv]
= [ u v ] \begin{bmatrix} u&v\\ \end{bmatrix} [uv] ( ∑ \sum ∑ [ I x 2 I x I y I x I y I y 2 ] \begin{bmatrix} I_x^2&I_xI_y\\ I_xI_y&I_y^2 \end{bmatrix} [Ix2IxIyIxIyIy2]) [ u v ] \begin{bmatrix} u\\ v\\ \end{bmatrix} [uv]
这里令Harris矩阵 M = M= M= ∑ x , y \sum_{x,y} ∑x,y w ( x , y ) w(x,y) w(x,y) [ I x 2 I x I y I x I y I y 2 ] \begin{bmatrix} I_x^2&I_xI_y\\ I_xI_y&I_y^2 \end{bmatrix} [Ix2IxIyIxIyIy2]
则, E ( u , v ) = E(u, v)= E(u,v)= [ u v ] \begin{bmatrix} u&v\\ \end{bmatrix} [uv] M M M [ u v ] \begin{bmatrix} u\\ v\\ \end{bmatrix} [uv]
I x I_x Ix、 I y I_y Iy代表图像在x和y方向的导数 , λ 1 \lambda_1 λ1代表x方向偏导的特征值, λ 2 \lambda_2 λ2代表y方向偏导的特征值。
- 特征值都比较大时,说明窗口中含有角点。
- 特征值一个较大,一个较小时,说明窗口中含有边缘。
- 特征值都比较小时,说明是平坦区域。
用图片表示如下:
4、角度响应
R
=
d
e
t
(
M
)
−
k
(
t
r
a
c
e
(
M
)
)
2
R=det(M)-k(trace(M))^2
R=det(M)−k(trace(M))2
k
k
k一般取经验值0.04~0.06
- d e t ( M ) = λ 1 λ 2 det(M)=\lambda_1\lambda_2 det(M)=λ1λ2
- t r a c e ( M ) = λ 1 + λ 2 trace(M)=\lambda_1+\lambda_2 trace(M)=λ1+λ2
二、参数说明
cornerHarris(
InputArray src,
OutputArray dst,
int blockSize,//计算lambda_1、lambda_2的矩阵大小
int ksize,//窗口大小,一般都为三
double k,//表示计算角度响应时候的参数大小,默认为0.04~0.06
int borderType=Border_DEFAULT//阈值t,用来过滤角度响应
)
三、代码演示
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
Mat src, gray_src;
thresh = 130;
max_count = 255;
const char* output_title = "HarrisCornerDetection Result";
void Harris_Demo(int, void*);
int main() {
src = imread("image path");
if (src.data) {
cout << "cout not load image..." << endl;
return -1;
}
namedWindow("input image", WINDOW_AUTOSIZE);
imshow("output", src);
namedWindow(output_title, WINDOW_AUTOSIZE);
cvtColor(src, gray_src, COLOR_BGR2GRAY);
createTrackbar("Threshold", output_title, &thresh, max_count, Harris_Demo);
Harris_Demo(0, 0);
waitKey(0);
return 0;
}
void Harris_Demo(int, void*) {
Mat dst, norm_dst, normScaleDst;
dst = Mat::zeros(gray_src().size(), CV_32FC1);
int blockSize = 2;
int ksize = 3;
double k = 0.04;
cornerHarris(gray_src, dst, blockSize, ksize, k, BORDER_DEFAULT);//dst是一个经计算得到的一个数值图像
normalize(dst, norm_dst, 0, 255, NORM_MINMAX, CV_32FC1, Mat());//归一化
convertScaleAbs(norm_dst, normScaleDst);//图像增强
Mat resultImg = src.clone();
for (int row = 0; row < resultImg.rows; row++) {
uchar* currentRow = normScaleDst.ptr(row);
for (int col = 0; col < resultImg.cols; col++) {
int value = (int)*currentRow;
if (value > thresh) {//判断每一个像素点是否大于所取的阈值,如果大于则被认定是角点
circle(resultImg, Point(col, row), 2, Scalar(0, 0, 255), 2, 8, 0);
}
currentRow++;
}
}
imshow(output_title, resultImg);
}
输出结果: