图像特征学习笔记 Harris角点检测 原理和程序

图像特征学习——Harris角点检测（opencv-python）

本项目理论和源代码来自唐宇迪opencv项目实战

---

1 概述

图像的特征提取

一张图片中我们进行特征提取，主要分为平坦区域、边界区域和角点区域。本项目依据这三种类型的特征展开Harris角点检测的探究。
文末附代码

2 理论背景

Harris角点检测

如何分辨图像中的三中特征：角点、平坦区域、边界。
在图像中框出一个窗口，并在图像上小范围移动（△x,△y），计算移动前窗口图像的相关性。

自相关性表示为：

这一步在cv2.cornerHarris()函数中体现为第二个参数，表示窗口的大小。
从自相关性表达式中可以看出：该值越大，说明移动前后灰度变化越大；该值越小，说明移动前后灰度变化越小
特别的，我们更关注的是窗口内图像的中心部分。在自相关性的表达式中，增加了权值W（u, v）,这个权值可以是常数也可以是高斯加权函数，高斯加权函数最常使用。
平方项中前一项是原窗口中（u,v）像素点的灰度值，后一项是移动后窗口中（u+△x+v+△y）像素点处的灰度值。
对每一个像素点都要进行计算，那么就需要对表达式进行简化。
基于泰勒展开式，对平方项中的后一项进行化简：
代入自相关性的表达式中，第一项消掉。其中Ix和Iy是偏导数。
近似得到：

将这个近似的表达式转化成三个矩阵的乘积。利用矩阵求出特征值。线性代数中特征值的分解，是将一个矩阵分解为如下形式

最后自相关性可以表达为：