java harris corner_CV算法：Harris角点（Harris Corner Detector）

参考资料

Harris Corner Detector

斯坦福CS131-1718作业3

cornell-CS4670-5670-2016spring lec10_features2_web-Harris(这个比较详细)

Motivation

需要找出一些显著特征点进行匹配

从图中扣出一块，然后要进行匹配，有些任意有些不容易，因此我们要找出一些特征的特征，也就是我们这节要说的“角”(Corner)

角(Corner)

视角变化也仍然可以很好的辨识+跟周围点在任何方向变化都很大——好的特征

Harris Corner Detector

加窗，窗在任何方向上随意移动变化都很大的就是角。

数学表示

注意做差的是移动前的点跟移动后的点

一路演算推导最后发现

主要因素还是梯度乘积或平方的和，现在就可以忘记前面的公式了，主要是梯度的问题。

差别E是u和v的函数，呈现一个凸形状

水平边缘情况，只有在竖直移动的时候才有变化

竖直边缘情况

水平截面

利用特征值后将M对角化，特征值决定了轴的长度(注意是反比)，特征向量决定了方向。下面的图无论截取的是哪一层，结果都是一样的，椭圆虽然有大有小，但方向不变。

下图可以看出，大的特征值如果也很大是在边缘(因此对大的特征值施用阈值可以检测出边缘)，小的特征值也很大是在角(对小的特征值施加阈值可以检测出角点)。

朴素计算法方法，记住最后一部选取局部区域内的最大值，可能是减少角点那里的重复点

对的小的特征值施加阈值计算起来比较复杂(要计算开方)，所以下面用另外一种近似的方法

下面方法计算不用开方

具体计算

上面第三个步骤

结果

实际例子

最后算法计算过程

最重要的疑问

为什么不直接计算x和y方向的梯度之和，然后阈值化？我们之前的计算是至少在两个主要的方向上变化都很大，直接计算梯度和对斜边没有抵抗力。

算法实现

def harris_corners(img, window_size=3, k=0.04):

"""

Compute Harris corner response map. Follow the math equation

R=Det(M)-k(Trace(M)^2).

Hint:

You may use the function scipy.ndimage.filters.convolve,

which is already imported above

Args:

img: Grayscale image of shape (H, W)

window_size: size of the window function

k: sensitivity parameter

Returns:

response: Harris response image of shape (H, W)

"""

H, W = img.shape

window = np.ones((window_size, window_size))

response = np.zeros((H, W))

dx = filters.sobel_v(img)

dy = filters.sobel_h(img)

### YOUR CODE HERE

dx_squared = dx ** 2

dy_squared = dy ** 2

dx_dy_multiplied = dx * dy

half_window_size = window_size//2

M = np.zeros((2,2))

# response要跟图像一样大小，只计算出中心那些可以加窗的，边缘那些设置为0

for i in range(H-window_size+1):

for j in range(W-window_size+1):

M[0,0] = np.sum(window * dx_squared[i:i + window_size, j:j + window_size])

M[0,1] = np.sum(window * dx_dy_multiplied[i:i + window_size, j:j + window_size])

M[1,0] = M[0,1]

M[1,1] = np.sum(window * dy_squared[i:i + window_size, j:j + window_size])

R = np.linalg.det(M) - k * (np.trace(M)**2)

i_shifted = i + half_window_size

j_shifted = j + half_window_size

response[i_shifted][j_shifted] = R

### END YOUR CODE

return response

算法结果：