计算机视觉harris角点检测

1.Harris角点检测

1.1基础知识

使用一个滑动窗口在下面三幅图中滑动，可以得出以下结论：

• 左图表示一个平坦区域，在各方向移动，窗口内像素值均没有太大变化；

• 中图表示一个边缘特征（Edges），如果沿着水平方向移动(梯度方向)，像素值会发生跳变；如果沿着边缘移动(平行于边缘) ，像素值不会发生变化；

• 右图表示一个角（Corners），不管你把它朝哪个方向移动，像素值都会发生很大变化。

1.2算法思想

算法的核心是利用局部窗口在图像上进行移动，判断灰度是否发生较大的变化。如果窗口内的灰度值（在梯度图上）都有较大的变化，那么这个窗口所在区域就存在角点。

这样就可以将 Harris 角点检测算法分为以下三步：

• 当窗口（局部区域）同时向 x （水平）和 y（垂直） 两个方向移动时，计算窗口内部的像素值变化量 E(x,y) ；
• 对于每个窗口，都计算其对应的一个角点响应函数 R；
• 然后对该函数进行阈值处理，如果 R>threshold，表示该窗口对应一个角点特征。

1.3Harris数学公式

$E(u,v)={\sum }_{x,y}w(x,y)[I(x+u,y+v)-I(x,y){]}^2$

• [u,v][u,v]是窗口WW的偏移量；
• (x,y)(x,y)是窗口WW所对应的像素坐标位置，窗口有多大，就有多少个位置；
• I(x,y)是像素坐标位置(x,y)的图像灰度值；
• I(x+u,y+v)是像素坐标位置(x+u,y+v)的图像灰度值；

1.4代码实例

from PIL import Image
from pylab import *
from scipy.ndimage import filters


def compute_harris_response(img, sigma=3):

    # 计算导数
    imx = zeros(img.shape)
    filters.gaussian_filter(img, (sigma, sigma), (0, 1), imx)

    imy = zeros(img.shape)
    filters.gaussian_filter(img, (sigma, sigma), (1, 0), imy)

    # 可视化原图
    plt.subplot