方法一 :原始方法
基本思想如图1所示:
Figure 1: Harris Corner Detector: Basic Idea
这种变化,可以用图2的公式来衡量:
Figure 2: Harris Detector: Mathematics 1/3
图2 画红线部分由泰勒级数(Taylor Series)展开,及一阶偏导(First partial derivatives)近似,如图3:
Figure 3: Harris Detector: Mathematics 2/3
整理得到图4中的公式:
Figure 4: Harris Detector: Mathematics 3/3
然后,利用M 的特征值(eigenvalues)λ1 和 λ2 来分类图像中的 平坦(flat)、 边缘(edge) 和 角点(corner),如图5:
Figure 5: Classification via Eigenvalues
方法二:椭圆拟合分析
**将图像的 梯度向量(dx,dy) 视为一组点集,图像中心定义为(0,0)点。
dx,dy 一般可以这样计算:dx(i,j) = I(i+1,j) - I(i,j),dy(i,j) = I(i,j+1) - I(i,j)。
然后绘制散点图,如图6所示:**
Figure 6: Plotting Derivatives as 2D Points
利用椭圆拟合散点图,根据椭圆的参数(如 长轴、短轴)来判断 平坦(flat)、 边缘(edge) 和 角点(corner),结果如图7所示:
Figure 7: Fitting Ellipse to each Set of Points