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。
图像特征
自相关性表示为：
在这里插入图片描述
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：
在这里插入图片描述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：
在这里插入图片描述
其中M（x, y）相当于特征值分解中的∑
求出M（x, y）：

矩阵的副对角线相同，M（x, y）可以简化表示为：

由于M（x, y）是一个2行2列的实对称矩阵，所以可以求出矩阵的两个特征值λ1、λ2。用A,B,C表示自相关性：
在这里插入图片描述
其中

而二次项的表达式本质上可以看成是椭圆的解析式！
线性相关性的椭圆表达式为：

令表达式等于1，得到：

再回来看化简后的矩阵：

能转化成以λ1，λ2为主对角线的矩阵。
λ1 △x^2+λ2 △y ^2=1
和椭圆表达式对比：
在这里插入图片描述
a=λ1^(-1/2)
b =λ2^(-1/2)

λ值越大，自相关性的表达式的值越大，说明像素灰度值变化越大。
λ值越小，自相关性的表达式的值越小，说明像素灰度值变化越小。

3 结论

边界	一个特征值大，一个特征值小，λ1>>λ2或者λ1<<λ2,自相关函数在某一个方向上大，在另一个方向上小
平坦	两个特征值都小，且近似相等，自相关函数在各个方向上都小
角点	两个特征值都大，且近似相等，自相关函数在所有方向都增大

为便于表示，用角点响应R值来代替比较λ1，λ2的方法作为评价指标。
R = det M - α（trace M）^2
其中：det M = λ1*λ2, trace M = λ1+λ2, α是一个系数，通常设为（0.04， 0.06）

R<0	边界
R≈0	平坦区
R>0	角点

总结一下harris角点检测算法的基本流程

计算梯度Ix（u, v）, Iy（u,v）在程序中用Sobel算子计算梯度。
整合成一个矩阵，

并求出矩阵的特征值λ1， λ2.
比较特征值得大小做出判断。
非极大值抑制，确定角点（非极大值抑制在Canny边缘检测中也用到过）

以上是Harris角点检测算法的原理，代码如下

4 代码

import cv2
import numpy as np

img = cv2.imread('test_1.jpg')
print('img.shape:', img.shape)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# gray = np.float32(gray)
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
print('dst.shape:',dst.shape)
img[dst > 0.01*dst.max()] = [0,0,255]
cv2.imshow('dst', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

cv2.cornerHarris()函数对输入图像的要求是数据类型为 ﬂoat32 的入图像
先将图像转化为灰度图，对于特殊格式的图像还要用np.float32()进一步转化。
cv2.cornerHarris()函数的第二个参数是2，表示窗口的大小。
cv2.cornerHarris()函数的第三个参数是3，表示Sobel算子的大小。还记得之前说过Sobel是干嘛用的吗--------计算梯度Ix（u, v）, Iy（u, v）
Sobel算子模板如图所示：
在这里插入图片描述
Sobel是计算机视觉中经典的边缘检测算法，两个算子分别用来检测水平方向和垂直方向的边缘。在技术上，Sobel算子是离散性差分算子，用来运算图像亮度函数的梯度之近似值。