python 角点检测_Harris角点检测及数据分析-python实现

一实验原理

1.1角点

1.2角点检测算法的好处

1.3Harris算法

1.3.1Harris算法

1.3.2数学表达

二、代码实现及结果截图及实验分析

三、实验总结

1.1角点

局部窗口沿各方向移动，均产生明显变化的点，图像局部曲率突变的点，是在某些属性上强度最大或者最小的孤立点、线段的终点。 对于图像而言，如图所示圆圈内的部分，即为图像的角点，其是物体轮廓线的连接点

图一

第一个是直角角点，第二个是y角点，第三个是T角点，第四个是箭头角点，第五个是交叉角点

图二

这两张每个图像都有多个角点

CSS角点检测

图三

1.2角点检测算法的好处

检测出图像中“真实的”角点

准确的定位性能

很高的稳定性

具有对噪声的鲁棒性

具有较高的计算效率

1.3Harris算法

1.3.1Harris角点检测基本思想

图四

从图像局部的小窗口观察图像特征，角点定义

           

               

平坦区域：任意方向移动  ，无灰度变化                  边缘：沿着边缘方向移动，无灰度变化                    角点：沿任意方向移动，明显灰度变化

1.3.2数学表达

假设图像像素点(x,y)的灰度为 I(x,y)，以像素点为中心的窗口沿 ｘ 和 ｙ 方向分别移动 ｕ 和 ｖ 的灰度强度变化的表达式为：

其中 E(u,v)是灰度变化，w(x,y) 是窗口函数，一般是高斯函数，所以可以把w(x,y)看做是高斯滤波器。I(x,y)是图像灰度, I(x+u,y+v)是平移后的图像灰度。

收到泰勒公式的启发，在这里我们可以将 I(x+u,y+v)函数在(x,y)处泰勒展开，为了提高抗干扰的能力并且简化运算，我们取到了一阶导数部分，后面的无穷小量可以忽略，整理得到表达式如下：

将[ Ixu+Iyv ]展开后整理可以用矩阵表达为：

最后我们可以近似得到E(x,y)的表达式,将其化为二次型后得到:

其中M是一个2X2的矩阵，称为像素点的自相关矩阵，可以由图像的导数求得。M=窗口函数*偏导矩阵，表达式为：

因为u,v是局部微小的移动变量，所以我们对M进行讨论，M是一个2X2的矩阵，M的表达式中与点的位置(x,y)具体强相关性，记M得特征值为λ1,λ2，关于特征值的意义太过抽象，这里就不展开，但是我们可以简单理解为该点的灰度值变化速度，那么a1和a2可以分别看做是x方向和y方向的灰度变化速率，就可以用a1,a2两者的大小关系来进行分类。

当两个特征值λ1和λ2都偏小的时候，表示窗口沿任意方向移动都会使灰度变化很细微，该点处于图像的平坦区域。

当λ1>>λ2或者λ1<

当两个特征值λ1和λ2都很大的时候，表示窗口沿任意方向移动都会使灰度变化很明显，该点位置就是图像角点的位置。

然而在实际中，经常使用的是角点响应函数CRF这一概念，以此更加准确的计算所需角点,方法如下：

det M是矩阵M的行列式，Trace(M)为矩阵M的迹。k为修正值，是一个常数，经验取值为0.04-0.06。算出响应值之后，根据R与阈值T的比较来判断是否为角点。

当|R|很小时，R

当R<0时，R

当R>0时，R>T, 认为该点位置就是图像角点。

二、代码实现

代码：

1 #-*- coding: utf-8 -*-

2 from pylab import *

3 from PIL importImage4 from PCV.localdescriptors importharris5 """

6 Example of detecting Harris corner points (Figure 2-1 in the book).7 """

8 #读入图像

9 im = array(Image.open(r'D:\\new\\photos\\11.jpg').convert('L'))10 #检测harris角点

11 harrisim =harris.compute_harris_response(im)12 #Harris响应函数

13 harrisim1 = 255 -harrisim14 figure()15 gray()16 #画出Harris响应图

17 subplot(141)18 imshow(harrisim1)19 printharrisim1.shape20 axis('off')21 axis('equal')22 threshold = [0.01, 0.05, 0.1]23 for i, thres inenumerate(threshold):24 filtered_coords = harris.get_harris_points(harrisim, 6, thres)25 subplot(1, 4, i+2)26 imshow(im)27 printim.shape28 plot([p[1] for p in filtered_coords], [p[0] for p in filtered_coords], '*')29 axis('off')30 show()

2.1、边缘多图

2.1.1有光图：

结果截图：

2.1.2 正面图：

结果截图：

2.1.3 旋转图：

结果截图：

2.1.4 正面远图：

结果截图

2.1.5 侧面图：

结果截图：

实验结果分析：

对于上面五张图片，从不同的角度拍摄，共产生五个结果，我观察的是正面远图的角点比正面近图的多一点，旋转图的跟正面图的差不多，检测出来的角点一样，与有光图相比，有光图检测出来的角点较多。侧面图的和正面图相比，侧面的角点较多，比较稠密。

2.2 纹理平坦

2.2.1 有光图：

结果截图：

2.2.2 正面远图：

结果截图：

2.2.3 正面图：

结果截图：

2.2.4 侧面图：

结果截图：

2.2.5 旋转图：

结果截图：

实验结果分析：五个角度拍摄的有纹理的图像，运行出来，有光图的角点很稀疏，旋转图跟正面远图图检测出来的角点差不多，正面图的角点比正面远图的少一点点，侧面图也很稠密，不过比旋转图和正面远图的少。

2.3 角度丰富：

2.3.1 正面远图：

结果截图：

2.3.2 正面图：

结果截图：

2.3.3 旋转图

结果截图：

2.3.4 有光图

结果截图：

2.3.5 侧面图

结果截图：

实验结果分析：侧面图的角点比较稠密，远景图的相比正面图和旋转图较多一点，有光图的相比就会比较少。

四、实验结论

4.1这次实验，依然是软件问题，软件上次调整可以运行，但是不知道为什么这次蹦了，然后就在调整软件的时间浪费了很多时间，主要是感谢学长学姐，一直在帮助我调整我的软件。在调整软件的过程中遇到的问题是

然后我就解决了这个问题。一定要注意我输错的语句，不是pip install pylab而是import pylab。

4.2、想要安装opencv-python时   出现报错UnicodeDecodeError: ‘ascii’ codec can’t decode byte 0xc1 in position 7: ordinal not in range(128)

是因为win1064系统，安装的是python2.7版本的，所以pip安装第三方包的时候，提示了错误。

解决方法：先给pip升级，因为版本过低也会影响

1 python -m pip install –upgrade pip

之后就是换源

在windows资源管理器下键入%APPDATA%(C:\Users\Administrator\AppData\Roaming)中建立pip文件，然后建立pip.ini文件，用记事本打开，保存时选择ini就可，打开后在文件里输入

1 [global]2 timeout = 6000

3 index-url = http://pypi.douban.com/simple4 trusted-host = pypi.douban.com

4.3实验总结：

这次实验，三组不同的图，看出了原图的角点数量跟旋转图数量的角点没有什么区别，不会因为角度而改变，侧面的角点数量原图和远向图的角点数量还会有一定影响的，图像被放大或者缩小角点数量都会发生变化。对亮度和对比度的仿射变换并不改变Harris响应的极值点出现的位置，但是，由于阈值的选择，可能会影响角点检测的数量。特征点的提取过程可以减少噪声的影响，对灰度变化、图像形变以及遮挡等都有较好的适应能力。位置也会影响角点数量，特征点的匹配度量值相对位置变化比较敏感，可以提高匹配的精度。最后阀值对角点数量的影响也很大，阀值越大，角点数量就会越少。