ハリスのコーナー検出
1.コーナー概要
コーナー画像は非常に重要な機能である、画像パターンの理解と分析には、非常に重要な役割を持っています。情報の高レベルのように画像パターンの重要な特徴を保持しながらコーナーは、効果的に、データの量を減らすことができ、
効果的に速度計算は、リアルタイム処理を可能にし、信頼性の高い画像マッチングを助長している改善します。コーナー3次元シーン再構成動き推定、目標追跡は、視覚的な物体認識、画像の登録と一致するコンピュータの分野で非常に重要な役割を果たしています。現実の世界では、コーナは、オブジェクト、例えばTジャンクションなどの道路交差点の角に相当します。画像解析のコーナー点によって定義される角度は、次の2つの定義であってもよいです。
。コーナー点は、二つの縁の角であってもよいです。
。Bのコーナー点が周辺に二つの主方向を有する特徴点です。
前者はしばしばかなり困難と計算と、分割されたエッジ抽出画像に大きく依存している画像のエッジを、符号化する必要があり、変更は部分的に検出されるべきターゲットと、それは操作の失敗につながる可能性があります。
主要な初期のローゼンフェルドとフリーマンらがあります。、後半CSSおよび他の方法が。画像強度の方法は、ポイントによって曲率及び勾配計算点の検出角度に基づいて、
第一のタイプ及びそのような方法の欠点は、主にモラベックオペレータ、フォスナードリルオペレータ、Harrisオペレータ、SUSANオペレータ等で回避されます。ハリスコーナーアルゴリズム原理紙は、検出を説明します。
2.ハリスコーナー点検出の基本原理
人間の目のコーナーの認識は通常小さい領域または完全なウィジェットにローカライズされています。全方向の小さなウィンドウでのモバイルの階調特性は、窓領域は大きな変化を遂げていた場合、我々は、ウィンドウの隅に遭遇していること。
この特定のウィンドウが画像、グレースケール画像の各方向に移動される場合、ウィンドウが変更されていない場合、何のコーナーウィンドウが存在しません。
ウィンドウが一方向に移動した場合、大きな変化が発生したグレースケール画像ウィンドウ、およびその他の方向の変化は、ウィンドウ内の画像は、おそらく直線です。図は次のとおりです。
まず、画像ウィンドウは以下のようにuは、vは】グレー変更自己相関関数が生成されるシフトされます。
其中窗口函数（权重矩阵）可以是平坦的，也可以是高斯的如下图（权重矩阵W（通常为高斯滤波器Gσ）：
然而将平移后的式子进行泰勒展开如下：
则:
，其中Ο(u2,v2)近似为0.故该式可以进一步简化。
由于是对局部微小的移动量 [u,v]，所以可以近似得到下面忽略余项之后的表达式为一个二项式函数
其中，M的表达式如下，可由图像的导数求得：
,即M=W*MI,其中
该卷积的目的是得到MI在周围像素上的局部平均。矩阵M又称为Harris矩阵。W 的宽度决定了在像素x 周围的感兴趣区域。
像这样在区域附近对矩阵M取平均的原因是，特征值会依赖于局部图像特性而变化。如果图像的梯度在该区域变化，那么MI 的第二个特征值将不再为0。
如果图像的梯度没有变化，M的特征值也不会变化。
忽略余项之后的表达式为一个二项式函数，然而二项式函数的本质上就是一个椭圆函数，椭圆的扁率和尺寸是由M(x,y)的特征值λ1、λ2决定的，
椭圆的方向是由M(x,y)的特征矢量决定的，如下图所示，椭圆方程为：
椭圆函数特征值与图像中的角点、直线（边缘）和平面之间的关系如下图所示。共可分为三种情况：
a. 图像中的直线。一个特征值大，另一个特征值小，λ1>λ2或λ2>λ1。自相关函数值在某一方向上大，在其他方向上小。
b. 图像中的平面。两个特征值都小，且近似相等；自相关函数数值在各个方向上都小。
c. 图像中的角点。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。
通过M的两个特征值λ1和λ2的大小对图像点进行分类：
如果λ1和λ2都很小，图像窗口在所有方向上移动都无明显灰度变化。
由于我们是通过M的两个特征值的大小对图像进行分类，所以，定义角点相应函数R：
其中k为经验常数，一般取k=0.04~0.06。为了去除加权常数κ，我们通常使用商数detM/(traceM)2作为指示器。：所以，上图可以转化为：
其中：
• R 只与M的特征值有关
• 角点：R 为大数值正数
• 边缘：R 为大数值负数
• 平坦区：R 为小数值
在判断角点的时候，–对角点响应函数R进行阈值处理：R > threshold，提取R的局部极大值。
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。角点在三维场景重建运动估计，目标跟踪、目标识别、图像配准与匹配等计算机视觉领域起着非常重要的作用。在现实世界中，角点对应于物体的拐角，道路的十字路口、丁字路口等。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。
早期主要有Rosenfeld和Freeman等人的方法，后期有CSS等方法。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：
首先，将图像窗口平移[u,v]产生灰度变化的自相关函数如下：
其中窗口函数（权重矩阵）可以是平坦的，也可以是高斯的如下图（权重矩阵W（通常为高斯滤波器Gσ）：
然而将平移后的式子进行泰勒展开如下：
则:
，其中Ο(u2,v2)近似为0.故该式可以进一步简化。
由于是对局部微小的移动量 [u,v]，所以可以近似得到下面忽略余项之后的表达式为一个二项式函数
其中，M的表达式如下，可由图像的导数求得：
,即M=W*MI,其中
该卷积的目的是得到MI在周围像素上的局部平均。矩阵M又称为Harris矩阵。W 的宽度决定了在像素x 周围的感兴趣区域。
像这样在区域附近对矩阵M取平均的原因是，特征值会依赖于局部图像特性而变化。如果图像的梯度在该区域变化，那么MI 的第二个特征值将不再为0。
如果图像的梯度没有变化，M的特征值也不会变化。
忽略余项之后的表达式为一个二项式函数，然而二项式函数的本质上就是一个椭圆函数，椭圆的扁率和尺寸是由M(x,y)的特征值λ1、λ2决定的，
椭圆的方向是由M(x,y)的特征矢量决定的，如下图所示，椭圆方程为：
椭圆函数特征值与图像中的角点、直线（边缘）和平面之间的关系如下图所示。共可分为三种情况：
a. 图像中的直线。一个特征值大，另一个特征值小，λ1>λ2或λ2>λ1。自相关函数值在某一方向上大，在其他方向上小。
b. 图像中的平面。两个特征值都小，且近似相等；自相关函数数值在各个方向上都小。
c. 图像中的角点。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。
通过M的两个特征值λ1和λ2的大小对图像点进行分类：
如果λ1和λ2都很小，图像窗口在所有方向上移动都无明显灰度变化。
由于我们是通过M的两个特征值的大小对图像进行分类，所以，定义角点相应函数R：
其中k为经验常数，一般取k=0.04~0.06。为了去除加权常数κ，我们通常使用商数detM/(traceM)2作为指示器。：所以，上图可以转化为：
其中：
• R 只与M的特征值有关
• 角点：R 为大数值正数
• 边缘：R 为大数值负数
• 平坦区：R 为小数值
在判断角点的时候，–对角点响应函数R进行阈值处理：R > threshold，提取R的局部极大值。