计算机视觉—— Harris角点检测
目录
- 一、harris算法简介
- 1.角点概述
- 2.Harris角点检测基本原理
- 二、相关代码实现和结果分析
- 相关代码
- 1. 场景1（平坦区域）
- 1.1
- 1.2
- 1.3
- 1.4
- 1.5
- 结果分析
- 2. 场景2（建筑物）
- 2.1
- 2.2
- 2.3
- 2.4
- 2.5
- 结果分析
- 3. 场景3（纹理角点丰富）
- 3.1
- 3.2
- 3.3
- 3.4
- 结果分析
一、harris算法简介
1.角点概述
角点是图像很重要的特征,对图像图形的理解和分析有很重要的作用。角点在保留图像图形重要特征的同时,可以有效地减少信息的数据量,使其信息的含量很高,有效地提高了计算的速度,有利于图像的可靠匹配,使得实时处理成为可能。从图像分析的角度来定义角点可以有以下两种定义：
a. 角点可以是两个边缘的角点；
b. 角点是邻域内具有两个主方向的特征点；
前者往往需要对图像边缘进行编码，这在很大程度上依赖于图像的分割与边缘提取，具有相当大的难度和计算量，且一旦待检测目标局部发生变化，很可能导致操作的失败。基于图像灰度的方法通过计算点的曲率及梯度来检测角点，
避免了第一类方法存在的缺陷，此类方法主要有Moravec算子、Forstner算子、Harris算子、SUSAN算子等。本文主要介绍的Harris角点检测的算法原理。
2.Harris角点检测基本原理
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。如下图：
二、相关代码实现和结果分析
为了更好地对 Harris角点检测算法进行分析，一共收集了三个场景的各五幅图片。通过每个场景中角度、远近、光照等各个方面的变化进行对比试验。
相关代码
在该代码中，打开一幅图像，将其转换成灰度图像，然后计算相响应函数，通过响应值选择角点。最后，将这些检测的角点在原图上显示出来。
# -*- coding: utf-8 -*-
from pylab import *
from PIL import Image
from PCV.localdescriptors import harris
"""
Example of detecting Harris corner points (Figure 2-1 in the book).
"""
# 读入图像
im = array(Image.open('D:\\python\images\Tower1.jpg').convert('L'))
# 检测harris角点
harrisim = harris.compute_harris_response(im)
# Harris响应函数
harrisim1 = 255 - harrisim
figure()
gray()
#画出Harris响应图
subplot(141)
imshow(harrisim1)
print harrisim1.shape
axis('off')
axis('equal')
threshold = [0.01, 0.05, 0.1]
for i, thres in enumerate(threshold):
filtered_coords = harris.get_harris_points(harrisim, 6, thres)
subplot(1, 4, i+2)
imshow(im)
print im.shape
plot([p[1] for p in filtered_coords], [p[0] for p in filtered_coords], '*')
axis('off')
#原书采用的PCV中PCV harris模块
#harris.plot_harris_points(im, filtered_coords)
# plot only 200 strongest
# harris.plot_harris_points(im, filtered_coords[:200])
show()
1. 场景1（平坦区域）
首先在家中对一本书进行了测试。拍了不同角度和大小的五张图片。
五张原图如下：
1.1
1.2
1.3
1.4
1.5
结果分析
对于平坦区域，角点检测效果不尽如人意。而侧面图片在平面区域中角点更加明显。
并且由结果可以发现Harris角点检测算子具有旋转不变性。
在对同一物体不同角度图片进行检测时，Harris角点检测算子使用的是角点附近的区域灰度二阶矩矩阵。而二阶矩矩阵可以表示成一个椭圆，椭圆的长短轴正是二阶矩矩阵特征值平方根的倒数。当特征椭圆转动时，特征值并不发生变化，所以判断角点响应值也不发生变化，由此说明Harris角点检测算子具有旋转不变性。
2. 场景2（建筑物）
从网络上搜索到不同角度的巴黎铁塔进行测试。
2.1
2.2
2.3
2.4
2.5
结果分析
由第五张图与前几张的对比，可以发现，Harris角点检测算子不具有尺度不变性
当图片放大时被缩小时，在检测窗口尺寸不变的前提下，在窗口内所包含图像的内容是完全不同的。
3. 场景3（纹理角点丰富）
对不同角度不同远近和光照情况下的布达拉宫图片进行测试
3.1
3.2
3.3
3.4
结果分析
在该场景的测试中，通过白天和夜晚不同时间的布达拉宫的图片进行了Harris角点检测的对比。发现Harris角点检测算子对亮度和对比度的变化不敏感。
这是因为在进行Harris角点检测时，使用了微分算子对图像进行微分运算，而微分运算对图像密度的拉升或收缩和对亮度的抬高或下降不敏感。换言之，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。