1 Harris角點(diǎn)檢測

1.1 原理

Harris角點(diǎn)檢測的思想是通過圖像的局部的小窗口觀察圖像，角點(diǎn)的特征是窗口沿任意方向移動(dòng)都會(huì)導(dǎo)致圖像灰度的明顯變化，如下圖所示：

?將上述思想轉(zhuǎn)換為數(shù)學(xué)形式，即將局部窗口向各個(gè)方向移動(dòng)(u,v)并計(jì)算所有灰度差異的總和，表達(dá)式如下：

??其中I(x,y)是局部窗口的圖像灰度，I(x+u,y+v)是平移后的圖像灰度，w(x,y)是窗口函數(shù)，該可以是矩形窗口，也可以是對(duì)每一個(gè)像素賦予不同權(quán)重的高斯窗口，如下所示：
角點(diǎn)檢測中使E(u,v)的值最大。利用一階泰勒展開有：

其中I_xI?x??和?I_yI?y???是沿x和y方向的導(dǎo)數(shù)，可用sobel算子計(jì)算。

推導(dǎo)如下：

?M矩陣決定了E(u,v)的取值，下面我們利用M來求角點(diǎn)，M是I?x??和I?y??的二次項(xiàng)函數(shù)，可以表示成橢圓的形狀，橢圓的長短半軸由M的特征值λ?1??和λ?2??決定，方向由特征矢量決定，如下圖所示：

?橢圓函數(shù)特征值與圖像中的角點(diǎn)、直線（邊緣）和平面之間的關(guān)系如下圖所示。

?共可分為三種情況：

• 圖像中的直線。一個(gè)特征值大，另一個(gè)特征值小，λ1>>λ2或 λ2>>λ1。橢圓函數(shù)值在某一方向上大，在其他方向上小。
• 圖像中的平面。兩個(gè)特征值都小，且近似相等；橢圓函數(shù)數(shù)值在各個(gè)方向上都小。
• 圖像中的角點(diǎn)。兩個(gè)特征值都大，且近似相等，橢圓函數(shù)在所有方向都增大

Harris給出的角點(diǎn)計(jì)算方法并不需要計(jì)算具體的特征值，而是計(jì)算一個(gè)角點(diǎn)響應(yīng)值RR來判斷角點(diǎn)。RR的計(jì)算公式為：

式中，detM為矩陣M的行列式；traceM為矩陣M的跡；α為常數(shù)，取值范圍為0.04~0.06。事實(shí)上，特征是隱含在detM和traceM中，因?yàn)?

?那我們怎么判斷角點(diǎn)呢？如下圖所示：

• 當(dāng)R為大數(shù)值的正數(shù)時(shí)是角點(diǎn)
• 當(dāng)R為大數(shù)值的負(fù)數(shù)時(shí)是邊界
• 當(dāng)R為小數(shù)是認(rèn)為是平坦區(qū)域

1.2 實(shí)現(xiàn)

在OpenCV中實(shí)現(xiàn)Hariis檢測使用的API是：

dst=cv.cornerHarris(src, blockSize, ksize, k)

參數(shù)：

• img：數(shù)據(jù)類型為 ?oat32 的輸入圖像。

• blockSize：角點(diǎn)檢測中要考慮的鄰域大小。

• ksize：sobel求導(dǎo)使用的核大小

• k ：角點(diǎn)檢測方程中的自由參數(shù)，取值參數(shù)為 [0.04，0.06].

示例：

import cv2 as cv import numpy as np import matplotlib.pyplot as plt# 1 讀取圖像，并轉(zhuǎn)換成灰度圖像 img = cv.imread('img/qipan.png') gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) # 2 角點(diǎn)檢測 # 2.1 輸入圖像必須是 float32 gray = np.float32(gray)# 2.2 最后一個(gè)參數(shù)在 0.04 到 0.05 之間 dst = cv.cornerHarris(gray, 2, 3, 0.04)# 3 設(shè)置閾值，將角點(diǎn)繪制出來，閾值根據(jù)圖像進(jìn)行選擇 # dst > 0.001 * dst.max() 返回一個(gè)img大小的Flase和True矩陣 img[dst > 0.001 * dst.max()] = [0, 0, 255]# 4 圖像顯示 plt.figure(figsize=(10, 8), dpi=100) plt.imshow(img[:, :, ::-1]), plt.title('Harris角點(diǎn)檢測') plt.xticks([]), plt.yticks([]) plt.show()

結(jié)果如下：

?Harris角點(diǎn)檢測的優(yōu)缺點(diǎn)：

優(yōu)點(diǎn)：

• 旋轉(zhuǎn)不變性，橢圓轉(zhuǎn)過一定角度但是其形狀保持不變（特征值保持不變）
• 對(duì)于圖像灰度的仿射變化具有部分的不變性，由于僅僅使用了圖像的一介導(dǎo)數(shù)，對(duì)于圖像灰度平移變化不變；對(duì)于圖像灰度尺度變化不變

缺點(diǎn)：

• 對(duì)尺度很敏感，不具備幾何尺度不變性。
• 提取的角點(diǎn)是像素級(jí)的

2 Shi-Tomasi角點(diǎn)檢測

2.1 原理

Shi-Tomasi算法是對(duì)Harris角點(diǎn)檢測算法的改進(jìn)，一般會(huì)比Harris算法得到更好的角點(diǎn)。Harris 算法的角點(diǎn)響應(yīng)函數(shù)是將矩陣 M 的行列式值與 M 的跡相減，利用差值判斷是否為角點(diǎn)。后來Shi 和Tomasi 提出改進(jìn)的方法是，若矩陣M的兩個(gè)特征值中較小的一個(gè)大于閾值，則認(rèn)為他是角點(diǎn)，即：

如下圖所示：

?從這幅圖中，可以看出來只有當(dāng) λ1 和 λ2 都大于最小值時(shí)，才被認(rèn)為是角點(diǎn)。

2.2 實(shí)現(xiàn)

在OpenCV中實(shí)現(xiàn)Shi-Tomasi角點(diǎn)檢測使用API:

corners = cv2.goodFeaturesToTrack ( image, maxcorners, qualityLevel, minDistance )

參數(shù)：

• Image: 輸入灰度圖像
• maxCorners : 獲取角點(diǎn)數(shù)的數(shù)目。
• qualityLevel：該參數(shù)指出最低可接受的角點(diǎn)質(zhì)量水平，在0-1之間。
• minDistance：角點(diǎn)之間最小的歐式距離，避免得到相鄰特征點(diǎn)。

返回：

• Corners: 搜索到的角點(diǎn)，在這里所有低于質(zhì)量水平的角點(diǎn)被排除掉，然后把合格的角點(diǎn)按質(zhì)量排序，然后將質(zhì)量較好的角點(diǎn)附近（小于最小歐式距離）的角點(diǎn)刪掉，最后找到maxCorners個(gè)角點(diǎn)返回。

示例：

import numpy as np import cv2 as cv import matplotlib.pyplot as plt # 1 讀取圖像 img = cv.imread('./image/tv.jpg') gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY) # 2 角點(diǎn)檢測 corners = cv.goodFeaturesToTrack(gray,1000,0.01,10) # 3 繪制角點(diǎn) for i in corners:x,y = i.ravel()cv.circle(img,(x,y),2,(0,0,255),-1) # 4 圖像展示 plt.figure(figsize=(10,8),dpi=100) plt.imshow(img[:,:,::-1]),plt.title('shi-tomasi角點(diǎn)檢測') plt.xticks([]), plt.yticks([]) plt.show()

結(jié)果如下：

---

總結(jié)

Harris算法

思想：通過圖像的局部的小窗口觀察圖像，角點(diǎn)的特征是窗口沿任意方向移動(dòng)都會(huì)導(dǎo)致圖像灰度的明顯變化。

API: cv.cornerHarris()

Shi-Tomasi算法

對(duì)Harris算法的改進(jìn)，能夠更好地檢測角點(diǎn)

API: cv2.goodFeatureToTrack()

總結(jié)

以上是生活随笔為你收集整理的图像特征提取与描述_角点特征01：Harris算法+Shi-Tomas算法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。