1.角点的定义与性质
角点是一种局部特征,具有旋转不变性和不随光照条件变化而变化的特点,一般将图像中曲率足够高或者曲率变化明显的点作为角点。检测得到的角点特征通常用于图像匹配、目标跟踪、运动估计等方面。
2.Harris角点
1)定性描述
该算法中,将图像分为平坦区域、边缘、角点三部分。平坦区域中像素灰度在各个方向上变换都很小,边缘上的像素灰度在某个方向变化很大,但是在另一些方向变化很小;位于角点上的像素灰度则在各个方向上的变化都比较大。这是通过人眼观察得到的直观感受。
2)量化的数学表达
不同区域像素的变化与相似性是相反的关系:变化越大,相似性越小,反之亦然。所以我们可以使用相似性度量其变化程度。图像I(x,y)在中心(x,y)处区域W(x,y)与相对中心(x,y)移动了△x/△y之后的区域相关性可以通过自相关函数给出
w(u,v)是加权函数,可选取常数或者高斯加权函数(一般选取后者)
看到delta标志就会想到泰勒展开式简化,简化流程如下:
所以之前的相似性度量可以近似表达为一个二次项函数
其本质是一个椭圆函数,椭圆的主方向就是图像变化率最大的主要方向。而椭圆的大小又是由M(x,y)的特征值决定的。
套用这套理论到平坦区域、边缘、角点上,则表示为:
(1)边缘;椭圆狭长,一个特征值大、另一个特征值小
(2)平坦区域;两个特征值都很小
(3)角点;两个特征值都很大
所以求出矩阵M(x,y)的两个特征值可以用于检测角点,但是计算量太大。Harris角点检测中避免直接求取特征值,而是利用M(x,y)的性质来计算两个特征值的相对大小
只有两个特征值都比较大的情况下R取值才比较大
3.算法流程
根据前面的描述,只要计算出图像中各个像素对应的R,并根据一个设定的阈值二值化处理即可得到角点。为了滤除局部区域的非极大值,可以使用非极大值抑制法做进一步的处理。算法整理流程如下:
4.opencv实现
个人使用的开发环境是是opencv_2.4.13+vs2012,现将代码贴出
#include <iostream>
#include <core/core.hpp>
#include <highgui/highgui.hpp>
#include <features2d/features2d.hpp>
#include <imgproc/imgproc.hpp>
using namespace std;
using namespace cv;
int main(int argc, char* argv[])
{
/* 1.以bmp格式读取图片,注意该图片此时应该放置于.sln所在目录 */
Mat image = imread("../church01.jpg", 0);
if(!image.data)
return 0;
namedWindow("originalImage");
imshow("originalImage", image);
/* 2.计算图像沿x/y方向一阶导数 */
Mat xKernel = (Mat_<double>(1,3) << -1, 0, 1);
Mat yKernel = xKernel.t();
Mat Ix, Iy;
filter2D(image, Ix, CV_64F, xKernel);
filter2D(image, Iy, CV_64F, yKernel);
/* 3.计算矩阵M中的各项 */
Mat Ix2, Iy2, Ixy;
Ix2 = Ix.mul(Ix);
Iy2 = Iy.mul(Iy);
Ixy = Ix.mul(Iy);
/* 注意这里使用的是一阶高斯滤波而非二阶,尚未
* 理解其原因
*/
Mat gaussKernel = getGaussianKernel(7,1);
filter2D(Ix2, Ix2, CV_64F, gaussKernel);
filter2D(Iy2, Iy2, CV_64F, gaussKernel);
filter2D(Ixy, Ixy, CV_64F, gaussKernel);
/* 4.根据公式计算R矩阵 */
Mat cornerStrength(image.size(), CV_64F);
float alpha = 0.1f;
int rows, cols;
rows = image.rows;
cols = image.cols;
for(int i = 0; i < rows; i++)
{
for(int j = 0; j < cols; j++)
{
double det_m = Ix2.at<double>(i,j) * Iy2.at<double>(i,j) - Ixy.at<double>(i,j) * Ixy.at<double>(i,j);
double trace_m = Ix2.at<double>(i,j) + Iy2.at<double>(i,j);
cornerStrength.at<double>(i,j) = det_m - alpha*trace_m*trace_m;
}
}
/* 5.阈值化并进行非极大值抑制 */
double maxStrength, minStrength;
minMaxLoc(cornerStrength, &minStrength, &maxStrength);
Mat dilated;
Mat localMax;
dilate(cornerStrength, dilated, Mat());
compare(cornerStrength, dilated, localMax, CMP_EQ);
double threshold = 0.01 * maxStrength;
Mat cornerMap;
cornerMap = cornerStrength > threshold;
bitwise_and(cornerMap, localMax, cornerMap);
namedWindow("cornerMap");
imshow("cornerMap", cornerMap);
/* 6.在原图上绘制角点 */
image = imread("../church01.jpg", 0);
for(int x = 0;x < cornerMap.cols; x++)
{
for(int y = 0; y < cornerMap.rows; y++)
{
if(cornerMap.at<uchar>(y,x))
{
circle(image, Point(x,y), 3, Scalar(255), 1);
}
}
}
namedWindow("Harris Corner");
imshow("Harris Corner", image);
waitKey();
return 0;
}
代码执行效果如下,originalImage是读入的原图,cornerMap是计算得到的角点(白色显示),Harris Corner是在原图上绘制角点的效果。
5.参考资料
[1]《图像局部不变性特征与描述》
[2] http://www.cnblogs.com/polly333/p/5416172.htmlHarris角点算法