图像处理——Harris角点检测算法原理

目录

• 一 特征检测算法
• 二 特征定义
• 三 Harris检测角点特征
•  四 Harris检测原理
  • 1、灰度变化描述
  • 2、E(u,v)E(u,v)值，一般取0.04~0.06；
  • borderType：像素插值方法；

  函数 cornerHarris 对输入图像进行 Harris 边界检测。输出是一幅浮点值图像，大小与输入图像大小相同，浮点值越高，表明越可能是特征角点(我们可以对图像进行阈值化)。

  

  # -*- coding: utf-8 -*-
  """
  Created on Mon Aug 20 20:17:34 2018
  

@author: lenovo
“”"

‘’’
Harris角点检测
‘’’
import cv2
import numpy as np

img = cv2.imread(’./image/cali.bmp’)
img = cv2.resize(img,dsize=(600,400))
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)
#角点检测 第三个参数为角点检测的敏感度，其值必须介于3~31之间的奇数
dst = cv2.cornerHarris(gray,3,23,0.04)
print(dst.shape) #(400, 600)
img[dst>0.01*dst.max()] = [0,0,255]
cv2.imshow(’’,img)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果如下：

如果我们把第三个参数改为3:，可以看到：

回到顶部

 四 Harris检测原理

上面我们已经通过实例演示了Harris检测的效果，相信你对Harris角点检测已经有了初步的认识。这里我将带你深入了解Harris角点检测的原理。

我们先来看一幅图片，了解一下什么是角点？

上图中E,F中的角我们通常称作角点（corner points），他们具有以下特征：

• 轮廓之间的交点；
• 对于同一场景，即使视角发生变化，通常具备稳定性质的特征；
• 该点附近区域的像素点无论在梯度方向上还是其梯度幅值上有着较大变化；

 

harris特征角最早在paper A Combined Corner and Edge Detector中被Chris Harris & Mike Stephens提出。

Harris角点检测的基本思想：算法基本思想是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、灰度变化描述

 当窗口发生[u,v][u,v]

Iy¯=∑i=