Haris角点检测算子.doc

2014.3.30 周报 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，对离中心点越来越近的像素赋予较大的权重，以减少噪声影响。 w( x, y) 1 2 e ( x2 y2 ) / 2 2 2 图 1 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。 E(u, v) w( x, y)[ I ( x u, y v) I ( x, y)]2 x, y w( x, y)[ I xu O(u2 , v2 )] 2 x, y 写成矩阵形式： 2 I x I y I x 2 M I x I x I y （ 1-2） w( x, y) 2 w( x, y) 2 x , y I x I y I y I x I y I y E (u, v) u （ 1-3） [ u, v] M v 式中， lx 为 x 方向的差分， ly 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 l 2 与矩阵 M 的 主曲率成正比。 Harris 利用 l 1 ， l 2 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。 文档收 集自网络，仅用于个人学习 1 / 4 图 2 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 ）文档收集自网 络，仅用于个人学习 R det M k(traceM ) 2 （ 1-4） 4） Harris 算法总结 Step1：对每一像素点计算相关矩阵 M A w( x, y) I x 2 B w( x, y) I y2 C D w( x, y) ( I x2 I y2 ) A B M D C Step2：计算每个像素的 Harris 角点响应 R ( AB CD ) 2 k( A B) 2 Step3：在 w* w 范围内寻找极大值点，若 Harris 角点响应大于阈值，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，在另一个尺度下可能就不是了。 文档收集自网络，仅用于个人学习 图 3 Harris 算子对尺度的敏感性 2 / 4 图 4 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。 文档收集自网络，仅用于个人学习 Harris 算子的局限性有： ①它对尺度很敏感， 不具有尺度不变性。 ②提取的角点是像素级的。 影像表达的因素 1 、 棋盘的排放 算法是基于 2D 模型的，如果棋盘摆放的不平整，肯定会造成很大的影像。 2.图片数目的影像，事实上图片的数目多了会很好的 3.图片的角度：这里注意的是图片的角度是 45 度最好，但是太大的角度对于角点提取的精度影像比较大，所以保持在 45 度以内比较好 文档收集自网络，仅用于个人学习 3 / 4 4.除上面的因素以外，光线对图片的影像也很大，这个也要注意。 4 / 4