Harris原理及OpenCV实

Harris原理及OpenCV实现

概述

Harris算法是一种角点检测算法。

基本思想

   

在角点处,绿色小框在图像中沿着任意方向移动,方框覆盖的像素值都会发生很大的改变;平坦区域沿着任意方向都不会有太大变化;边缘区域其实向任意方向移动也不会有什么变化,除非是在边缘的末端。(是不是角点动一动就知道了,是骡子是马拉出来溜溜)

数学描述

表示像素以移动之后像素值变化的方差和:

        

        

数学特性    

一届泰勒展开:

        

向指定方向移动,窗口内的像素值的变化量:

        

为滤波后的梯度散布矩阵,简写为。关键的地方在于,沿方向(u,v)算出来的值都是由ix,iy这个不变的东西决定的!

下面用三张图片验证:

上图是用PS加上5%的杂色,杂色不是很明显,下图第一栏转换成double型后的显示效果,

第二栏是的分布,可以看出,平面的梯度散布范围很小,而边缘则呈扁椭圆,角点呈三角,但可以看到右上角的点均比较大即我们要找的角点。

对应的特征值如下:

eigenvalue

Plane

Edge

Corner

68483668088

116292777117498

62741886125931

3358193434

7446530637

60918946323957

上述只是定性的分析的关系,定量判定如下:

        

其中经验值越大说明越有可能是角点。

上图为对应的响应

SIFT算法中使用了另一种判定方法:

设最大的特征值/最小的特征值为,例如则

考虑下式:

        

令上式为为单调递增函数,故时判断为角点。经验值为什么角点沿任意方向移动,窗口内的像素都会有很大变化,而平坦区域沿任意方向移动都不会有变化,而边缘沿特定方向移动不会有变化呢?

为什么会有如此特性了,这就取决于M。

从梯度的散布形状可以判断该点是否是角点。梯度的散布形状又可以由散布矩阵的特征值大小、比例关系反映。因此,对对 进行特征值分解得到特征值
不变性分析
  • 旋转不变性

     

  • 局部仿射不变性

  • 尺度不变性-不具备

Harris-Laplace算法具有尺度不变性

算法

  1. 计算梯度,(考虑干扰用Sobel算子滤波),得到三张图片
  2. 对得到的三张图片继续滤波,实现在窗口下的累积和.
  3. 计算行列式、迹

OpenCV源码分析

cornerEigenValsVecs(constMat&src,Mat&eigenv,intblock_size,

intaperture_size,intop_type,doublek=0.,

intborderType=BORDER_DEFAULT )

{

#ifdef HAVE_TEGRA_OPTIMIZATION

if (tegra::cornerEigenValsVecs(src, eigenv, block_size, aperture_size, op_type, k, borderType))

return;

#endif

 

int depth =src.depth();

double scale = (double)(1 << ((aperture_size > 0 ?aperture_size : 3) - 1)) *block_size;//1 << 2 *2 =8

if(aperture_size < 0 )

scale *= 2.;

if( depth ==CV_8U )

scale *= 255.;

scale = 1./scale;

 

CV_Assert(src.type() ==CV_8UC1 ||src.type() ==CV_32FC1 );

 

Mat Dx, Dy;

if(aperture_size > 0 )

{

        //[-1 0 1]

        //|-2 0 2|

        //[-1 0 1]

Sobel(src, Dx,CV_32F, 1, 0,aperture_size, scale, 0,borderType );//3

Sobel(src, Dy,CV_32F, 0, 1,aperture_size, scale, 0,borderType );//为什么来个这么大的scale??

}

else

{

Scharr(src, Dx,CV_32F, 1, 0, scale, 0,borderType );

Scharr(src, Dy,CV_32F, 0, 1, scale, 0,borderType );

}

 

Size size =src.size();

Mat cov( size,CV_32FC3 );    //dx^2,dxdy,dy^2

int i, j;

 

for( i = 0; i < size.height; i++ )

{

float* cov_data = (float*)(cov.data + i*cov.step);

constfloat* dxdata = (constfloat*)(Dx.data + i*Dx.step);

constfloat* dydata = (constfloat*)(Dy.data + i*Dy.step);

 

for( j = 0; j < size.width; j++ )

{

float dx = dxdata[j];

float dy = dydata[j];

 

cov_data[j*3] = dx*dx;

cov_data[j*3+1] = dx*dy;

cov_data[j*3+2] = dy*dy;

}

}

 

boxFilter(cov, cov, cov.depth(),Size(block_size,block_size),Point(-1,-1),false,borderType );

    anchor – anchor point;default value Point(-1,-1) means that the anchor is at the kernel center.

    //改成Gaussian滤波

    //GaussianBlur(cov, cov, Size(5, 5), 0,0 );

if( op_type == MINEIGENVAL )

calcMinEigenVal( cov, eigenv );

elseif( op_type == HARRIS )

calcHarris( cov, eigenv, k );

elseif( op_type == EIGENVALSVECS )

calcEigenValsVecs( cov, eigenv );

}

}

calcHarris(constMat&_cov,Mat&_dst,doublek )

{

        ……………………

for( ; j < size.width; j++ )

{

float a = cov[j*3];

float b = cov[j*3+1];

float c = cov[j*3+2];

dst[j] = (float)(a*c - b*b -k*(a + c)*(a + c));//R = det(M)-k*trace(M)

}

………………

}

Note:matlab实现可参见《现代数字图像处理技术提高及应用案例详解(MATLAB版)》-赵小川

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值