harris角点检测和SIFT

Harris角点检测

#harris角点检测就是利用模板来找出像素值突变的部分
一般利用自相似性来表示模板移动后的差异
对于图像l(x,y)，当再点(x,y)处平移（Δx,Δy)后的自相似性：
c(x,y,Δx,Δy) = ∑w(u,v)(I(u,v)-I(u+Δx,v+Δy)_2，
其中W(x,y)是以（x,y）为中心的n*n窗口，(u,v)属于W(x,y)，
公式中的w(x,y)是窗口中每个像素的权重，可以是常数，也可以是高斯加权函数。

角点检测步骤：
1 得到梯度值
2 合成相对应矩阵
3 计算矩阵的特征值
4 比较两个特征值λ1 λ2
若其中一个特征值大，一个特征值小，则说明自相似性函数数值在一个方向上大，在一个方向上小，则为边界；
若两个特征值都小且近似相等，则为平面；
若两个特征值都大，且近似相等，则为角点。
5 若角点周围也检测到其他干扰，用极大值抑制

cv示例：
cv2.cornerHarris()四个参数依次为
img:数据类型为float32的入图像
blockSize：角点检测中指定区域的大小
ksize：Sobel求导中使用的窗口的大小
k：取值参数为[0.04，0.06]

import cv2 as cv
import numpy as np

img = cv.imread('.png')#使用时需要注意图片的维度，与下边的【0，0，255】维度对应
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
gray = np.float32(gray)
dst = cv.cornerHarris(gray,2,3,0.04)
img[dst>0.01*dst.max()] = [0,0,255]
cv.imshow('dst',img)
cv.waitkey(0)
cv.destroyAllWindows()

平移不变性图像特征匹配算法—SIFT

图像尺度空间

在一定的范围内，无论物体是大还是小，人眼都可以分辨出来。然而计算机却很难有相同的能力。所以要考虑让机器能够对物体在同意尺度下有一个统一的认知，就需要考虑图像在不同尺度下都存在的特点。

尺度空间的获取通常通过高斯模糊来实现
不同σ的高斯函数决定了地图想的平滑程度，σ越大，图像越模糊。

多分辨率金字塔

每一层分辨率的金字塔中，都要包含n个高斯模糊图像

高斯差分金字塔（DOG）

即将相同点忽略，找出不同点。
用从一层中，即分辨率相同的不同高斯滤波函数结果相互做差，得到n-1个结果。

DOG定义公式：
D(x,y,σ）=[G(x,y,kσ）-G(x,y,σ）] * I(x,y)
=L(x,y,kσ）-L(x,y,σ）

DoG空间极值检测：为了寻找尺度空间的极值点，每个像素点要和其图像域（统一尺度空间）和尺度域（相邻的尺度空间）的所有的相邻点进行比较，当其大于或小于所有相邻点时，该点就是极值点。如下图所示，中间的检测点要和其所在图像的33邻域8个像素点，以及上下两层的29个像素点进行比较。

关键点的精确定位：
一维数据可以用泰勒级数进行拟合

三维数据使用矩阵：

消除边界响应

特征点的主方向特征点可以得到三个信息（x,y,σ,θ),即位置，尺度，和方向。具有多个方向的关键点可以被复制成多分，然乎将方向值分别赋给复制后的特征点，一个特征点就产生了多个坐标、尺度相等，但方向不同的特征点。

生成特征描述