当前位置：文档之家 › harris角点检测算法的原理

harris角点检测算法的原理

  • 格式：doc
  • 大小：80.50 KB
  • 文档页数：2

harris角点检测算法的原理

宝子！今天咱来唠唠这个超有趣的Harris角点检测算法的原理呀。

你看啊，在图像里呢，角点可是很特别的存在。就像是人群里那个特别出众的帅哥或者美女，一眼就能被瞅见。角点不是那种平平无奇的点哦。比如说在一个方形的图像里，四个角就是很典型的角点。那这个Harris角点检测算法呢，就像是一个超级侦探，专门去把这些角点给找出来。

想象一下，这个算法是怎么看待图像的呢？它把图像看成是一个充满变化的小世界。对于图像中的每个小区域，算法会去研究这个区域周围的像素是怎么变化的。就好比你站在一个小广场上，看看周围的人是怎么分布的，是均匀散开呢，还是有某个方向特别密集或者稀疏。

这个算法有个很关键的东西叫自相关函数。这函数就像是一个小魔法棒，它会去计算每个小区域在不同方向上的像素变化情况。如果在某个点的周围，不管你朝哪个方向去看，像素的变化都很明显，那这个点就很有可能是角点啦。比如说，你在一个十字街头，不管你是看南北方向的街道，还是东西方向的街道，周围的景色（也就是像素）变化都很大，那这个十字路口就像是图像里的角点一样。

那这个算法具体是怎么操作的呢？它会先建立一个小的窗口，就像拿着一个小放大镜在图像上到处看。这个窗口会在图像上滑动，每到一个地方，就开始计算这个地方的自相关函数。这个计算过程呢，其实就是在看这个小窗口里的像素和周围像素的关系。如果这个关系在各个方向上都很独特，那就有可能是角点啦。

你知道吗，这个算法还会用到矩阵呢。不过别被矩阵吓到，它就像是一个小账本，记录着这个小区域像素变化的各种信息。比如说，矩阵会告诉你这个区域在水平方向和垂直方向上像素变化的快慢呀之类的。如果这个矩阵的特征值有某种特殊的情况，那就说明这个点很可能是角点。就好像是这个小账本上的某些数字组合起来，就指向了这个特别的角点。 而且哦，这个Harris角点检测算法还有个很贴心的地方。它不是那种很死板的算法，它会根据不同的图像特点去调整自己的判断标准。就像你在不同的社交场合，会有不同的社交方式一样。如果图像比较模糊，它也会尽量去准确地找到角点，不会轻易被那些模糊的像素给骗到。

这个算法找到的角点可是很有用的呢。在很多地方都能派上大用场。比如说在图像匹配的时候，如果能准确找到角点，就像找到了图像之间的小标记一样，可以轻松地把两张图像对应起来。又或者在目标识别里，角点可以作为一个重要的特征，帮助我们快速地识别出目标物体。就像我们认人一样，独特的特征（角点）能让我们一眼就把人给认出来。

总的来说呀，这个Harris角点检测算法就像是一个充满智慧又很灵活的小助手，在图像的世界里到处寻找那些独特的角点，为我们处理图像、理解图像提供了超级大的帮助呢。它的原理虽然有点小复杂，但是只要我们把它想象成在图像里找特别的小宝贝（角点），就会觉得很有趣啦。

合集下载

列举三种角点检测的方法及其原理。

列举三种角点检测的方法及其原理。

列举三种角点检测的方法及其原理。

当涉及角点检测时，有几种常见的方法：

1. Harris角点检测方法：

Harris角点检测是一种基于局部区域的方法，它通过计算图像中每个像素周围区域的灰度变化来检测角点。该方法使用特征值来判断像素点是否为角点，当特征值较大时，说明该点周围存在角点。Harris角点检测方法具有较好的旋转不变性和光照不变性，因此在图像配准和目标跟踪中得到广泛应用。

2. Shi-Tomasi角点检测方法：

Shi-Tomasi角点检测是对Harris角点检测方法的改进，它使用了Harris检测方法中的特征值，但是对特征值的选取进行了改进，提出了一个自适应的角点检测算法。Shi-Tomasi方法在选择角点时使用了一个自适应的阈值，相比于Harris方法，它能够更好地选择稳定的角点。

3. FAST角点检测方法：

FAST（Features from Accelerated Segment Test）角点检测方法是一种基于像素灰度值的快速检测方法。它通过比较像素点周围的像素值来判断是否为角点，具有较快的速度和较高的检测性能。FAST方法通过比较像素点周围的像素值和中心像素值的大小来判断是否为角点，从而实现了快速的角点检测。

这些角点检测方法在计算机视觉和图像处理领域有着广泛的应用，它们在目标跟踪、图像配准、三维重建等方面发挥着重要作用。每种方法都有其独特的优势和适用场景，可以根据具体的应用需求选择合适的角点检测方法。

一种改进的Harris角点检测算法

一种改进的Harris角点检测算法

第37卷第5期

2017年10月桂林电子科技大学学报

Journal of Guilin University of Electronic TechnologyVol

. 37 , No

. 5

Oct

. 2017

一种改进的 Harris 角点检测算法

趙艳，江泽涛

(桂林电子科技大学计算机与信息安全学院，广西桂林 54 1004)

摘要：针对

Harris算法存在运算慢、抗噪能力差以及在实际应用中存在不必要角点簇等问题，提出了一种改进的

Harris

角点检测算法。采用加速分割测试特征点检测原理，排除大量的非特征点得到初始点，以初始点响应

Harris函数执行非极

大值抑制，保留局部角点响应函数最大值的像素点，以这些点为中心，以一定半径搜索角点簇，采用容忍距离内保留一个特

征点，降低角点簇影响。提取

Harris角点后，采用

NCC算法进行粗匹配，再用

RANSAC算法消除误匹配，提高图像拼接的

精度。实验结果表明，该算法能提高检测的速度，去除大量伪角点和不必要角点簇，验证了改进算法的有效性和实用性。

关键词：角点检测；角点簇；非极大值抑制；图像拼接

中图分类号：

TP391 文献标志码：八 文章编号：

1673-808X(2017)05-0401-05

An improved Harris corner detection algorithm

ZHAO Yan，JIANG Zctao

(School of Computer and Information Security, Guilin University of Electronic Technology，Guilin 5.4 1004，

China)

Abstract

：

Harris algorithm exist the problems of high computational cost, poor noise immunity, and the presence of unneces­

Harris角点检测

Harris角点检测

1.3 Harris角点检测算子

Harris角点检测算子是Moravec角点检测算子的改进.

(1) Harris算子用高斯函数代替二值窗口函数,对离中心点越近的像素赋于越大的权重，以减少噪声影响。

图1-3 高斯函数

(2) Moravec算子只考虑了每隔45度方向，Harris算子用Taylor展开去近似任意方向。

写成矩阵形式:

(1- 2)

(1- 3)

式中，Ix为x方向的差分，Iy为y方向的差分，w(x,y)为高斯函数。 (3)Harris采用了一种新的角点判定方法。矩阵M的两个特征向量l1和l2与矩阵M的主曲率成正比。Harris利用l1, l2来表征变化最快和最慢的两个方向.若两个都很大就是角点,一个大一个小就是边缘,两个都小就是在变化缓慢的图像区域.

来自文献[11]

图1- 4用矩阵Ｍ的特征向量分类图像像素点

但是解特征向量需要比较多的计算量,且两个特征值的和等于矩阵M的迹，两个特征值的积等于矩阵M的行列式。所以用(1-4）式来判定角点质量。(k常取0.04-0.06)

(1- 4）

(4) Harris算法总结

Step 1:对每一像素点计算相关矩阵M。

Step 2:计算每像素点的Harris 角点响应。

k通常取0.04~0.06之间

Step 3.在w*w范围内寻找极大值点，若Harris 角点响应大于阀值，则视为角点。

Harris算子对灰度的平移是不变的,因为只有差分，对旋转也有不变性，但是对尺度很敏感,在一个尺度下是角点, 在在另一个尺度下可能就不是了.

图1- 5 harris算子对尺度的敏感性

图1- 6 harris算子对简单图像的响应

Harris 算子是一种有效的点特征提取算子,其优点总结起来有: ①计算简单:Harris 算子中只用到灰度的一阶差分以及滤波,操作简单。②提取的点特征均匀而且合理:Harris 算子对图像中的每个点都计算其兴趣值,然后在邻域中选择最优点。实验表明,在纹理信息丰富的区域,Harris 算子可以提取出大量有用的特征点,而在纹理信息少的区域,提取的特征点则较少。③稳定:Harris算子的计算公式中只涉及到一阶导数，因此对图像旋转、灰度变化、噪声影响和视点变换不敏感,它也是比较稳定的一种点特征提取算子。

Harris角点检测原理详解

Harris角点检测原理详解

Harris⾓点检测原理详解

关于⾓点的应⽤在图像处理上⽐较⼴泛，如图像匹配(FPM特征点匹配)、相机标定等。⽹上也有很多博客对Harris⾓点检测原理进⾏描述，

但基本上只是描述了算法流程，⽽其中相关细节并未作出解释，这⾥我想对有些地⽅做出补充说明，正所谓知其然知其所以然，如有不对，

还望指正。

关于⾓点的应⽤在图像处理上⽐较⼴泛，如图像匹配(FPM特征点匹配)、相机标定等。⽹上也有很多博客对Harris⾓点检测原理进⾏描述，

但基本上只是描述了算法流程，⽽其中相关细节并未作出解释，这⾥我想对有些地⽅做出补充说明，正所谓知其然知其所以然，如有不对，

还望指正。

1. 何为⾓点？

下⾯有两幅不同视⾓的图像，通过找出对应的⾓点进⾏匹配。

再看下图所⽰，放⼤图像的两处⾓点区域：

我们可以直观的概括下⾓点所具有的特征：

>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；

2. ⾓点检测算法基本思想是什么？

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。

3.如何⽤数学⽅法去刻画⾓点特征？

当窗⼝发⽣[u,v]移动时，那么滑动前与滑动后对应的窗⼝中的像素点灰度变化描述如下：

公式解释：

>[u,v]是窗⼝的偏移量

>(x,y)是窗⼝内所对应的像素坐标位置，窗⼝有多⼤，就有多少个位置

>w(x,y)是窗⼝函数，最简单情形就是窗⼝内的所有像素所对应的w权重系数均为1。但有时候，我们会将w(x,y)函数设定为以窗⼝中⼼为原点

的⼆元正态分布。如果窗⼝中⼼点是⾓点时，移动前与移动后，该点的灰度变化应该最为剧烈，所以该点权重系数可以设定⼤些，表⽰窗⼝

移动时，该点在灰度变化贡献较⼤；⽽离窗⼝中⼼(⾓点)较远的点，这些点的灰度变化⼏近平缓，这些点的权重系数，可以设定⼩点，以⽰