OpenCV图像特征Harris角点检测

Harris角点检测基本原理

• 之前说过边缘检测，今天讲一讲Harris角点检测，我们可以定义一个图像核，通过平移之后变化的程度来定义是否为角点（边缘）。通常平面图像为二维的，定义两个方向，一个是x方向，一个是y方向，如果在x方向平移有明显变化，y方向上没有显著变化，可以大致确定是边缘；如果y方向上平移之后有显著变化，则可以大致确定为角点。
  
• 角点原理图像及公式
  
• 对于图像I(x,y)，当在点(x,y)处平移($\Delta x$,$\Delta y$)后的自相似性。
  
• w(x,y)是以点(x,y)为中心的窗口，既可以表示为常数，也可以表示为加权高斯函数。
  

角点检测的数学公式解读

• 基于泰勒展式，对于图像I(x,y)，当在点(x,y)处平移($\Delta x$,$\Delta y$)后进行一阶近似。
  
  其中lx,ly为l(x,y)的偏导数（梯度）。
• 近似可得：
  
  c表示为图像灰度。
• 其中M矩阵表示：
  
  M矩阵可以转换为对角矩阵，用于计算特征值。
• 化简得：
  
  观察我们可以发现，这个公式类似于椭圆方程，这个椭圆方程式非标准的椭圆方程。
  
• 边界：一个特征值大，一个特征值小,即$\lambda 1$ >>$\lambda 2$或$\lambda 2$ >>$\lambda 1$，自相关函数在某一方向上大，在其他方向上小。
• 平面：两个特征值$\lambda 1$ ，$\lambda 2$都很小，且近似相等，自相关函数在各个方向上都小。
• 角点：两个特征值$\lambda 1$ ，$\lambda 2$都很大，且近似相等，自相关函数在各个方向上都大。
  
• 角点响应R值：
  

一般来说$\alpha$值在0.04-0.06之间。

OpenCV角点检测应用。

• 进行角点检测的时候通常我们会使用cv2.cornerHarris()函数。函数里需要指定四个参数：

  • img： 数据类型为 float32 的入图像。如果不是float形式需要进行转换：np.float32()。
  • blockSize： 角点检测中指定区域的大小（gaussian filter）。
  • ksize： Sobel求导中使用的窗口大小（一般来说设置为3）。
  • k： 取值参数为 [0,04,0.06]

• 代码示例：

import cv2 
import numpy as np

img = cv2.imread('xiaohuolong.jpg')
print ('img.shape:',img.shape)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# gray = np.float32(gray)
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
print ('dst.shape:',dst.shape)
img.shape: (727, 658, 3)
dst.shape: (727, 658)

• 效果展示

img[dst>0.01*dst.max()]=[0,255,0]
cv2.imshow('dst',img) 
cv2.waitKey(0) 
cv2.destroyAllWindows()

• 如果角点过多可以将参数值设置大一点，如果角点过少可以将参数值设置小一点（0.01*dst.max()）。