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(
Δ
x
\Delta x
Δx,
Δ
y
\Delta y
Δy)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(
Δ
x
\Delta x
Δx,
Δ
y
\Delta y
Δy)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 λ 1 \lambda 1 λ1 >> λ 2 \lambda 2 λ2或 λ 2 \lambda 2 λ2 >> λ 1 \lambda 1 λ1,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 λ 1 \lambda 1 λ1 , λ 2 \lambda 2 λ2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
λ
1
\lambda 1
λ1 ,
λ
2
\lambda 2
λ2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 α \alpha α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())。