计算机视觉——harris角点检测之harris角点响应函数R

一、harris角点检测原理

1.1基本思想

  使用一个固定窗口在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，那么我们可以认为该窗口中存在角点。

1.2 数学模型

图像窗口平移[u,v]产生灰度变化E(u,v)为：

  上式经泰勒展开后的得到

  对局部微小的移动量 [u,v]，所以 可以近似得到下式

记M的特征值λ1、λ2，可以将图像上的像素点分类成直线、平面与角点：当λ1和λ2 都比较大，且近似相等时，可以认为是角点。对图像点分类如下图：

3、关于harris角点响应函数R

由于是通过M的两个特征值的大小对图像进行分类，所以，定义角点相应函数R：

于是上图图像点分类图转化为下图：

有结论如下：

• 角点——R为大数值正数
• 边缘——为大数值负数
• 平坦区——为小数值

在判断角点的时候，对角点响应函数R进行阈值处理：R > threshold，提取R的局部极大值。

二、harris角点检测源代码

2.1 计算harris角点响应函数R

算法：

1. 使用高斯倒数滤波器计算图像x,y两个方向的梯度值im_x,im_y（使用高斯倒数滤波器计算可在角点检测过程中抑制噪声强度）
2. 计算图像两个方向梯度的乘积分别为x方向的平方，y方向的平方，x和y的乘积，同样使用高斯倒数滤波器计算
3. 计算局部特征结果矩阵M的特征值
4. 计算响应函数的值

def compute_harris_response(im, sigma=3):
    '''
    对每个像素值计算Harris角点检测器响应函数
    :param im:
    :param sigma:
    :return:
    '''

    # 计算导数
    im_x = np.zeros(im.shape)
    im_y = np.zeros(im.shape)
    filters.gaussian_filter(im, (sigma, sigma), (0