Harris角点检测算法

Harris角点检测算法

算法原理

人眼对角点的识别通常是在一个局部的小区域或小窗口完成的。如果在各个方向上移动这个特征的小窗口，窗口内区域的灰度发生了较大的变化，那么就认为在窗口内遇到了角点。如果这个特定的窗口在图像各个方向上移动时，窗口内图像的灰度没有发生变化，那么窗口内就不存在角点；如果窗口在某一个方向移动时，窗口内图像的灰度发生了较大的变化，而在另一些方向上没有发生变化，那么，窗口内的图像可能就是一条直线的线段。

对于图像I(x,y)，当在点(x,y)处平移(Δx,Δy)后的自相似性，可以通过自相关函数给出：

其中，W(x,y)是以点(x,y)为中心的窗口，w(u,v)为加权函数，它既可是常数，也可以是高斯加权函数。

根据泰勒展开，对图像I(x,y)在平移(Δx,Δy)后进行一阶近似：

其中，Ix,Iy是图像I(x,y)的偏导数，这样的话，自相关函数则可以简化为：

其中

也就是说图像I(x,y)在点(x,y)处平移(Δx,Δy)后的自相关函数可以近似为二项函数：

其中

二次项函数本质上就是一个椭圆函数。椭圆的扁率和尺寸是由M(x,y)的特征值λ1、λ2决定的，椭贺的方向是由M(x,y)的特征矢量决定的，如下图所示，椭圆方程为：

椭圆函数特征值与图像中的角点、直线（边缘）和平面之间的关系如下图所示。共可分为三种情况：

1、图像中的直线。一个特征值大，另一个特征值小，λ1≫λ2或λ2≫λ1。自相关函数值在某一方向上大，在其他方向上小。
2、图像中的平面。两个特征值都小，且近似相等；自相关函数数值在各个方向上都小。
3、图像中的角点。两个特征值都大，且近似相等，自相关函数在所有方向都增大。

根据二次项函数特征值的计算公式，我们可以求M(x,y)矩阵的特征值。但是Harris给出的角点差别方法并不需要计算具体的特征值，而是计算一个角点响应值R来判断角点。R的计算公式为：

式中，detM为矩阵的行列式；traceM为矩阵M的直迹；α为经常常数，取值范围为0.04~0.06。

R 只与M的特征值有关，有三种情况：
1、角点：R 为大数值正数
2、边缘：R为大数值负数
3、平坦区：R为小数值

事实上，特征是隐含在detM和traceM中，因为，

PS：为了消除参数 α 的影响，采用商来计算响应：

代码

Harris.py

from pylab import *
from numpy import *
from sc