一种改进的Harris角点检测算法中期报告.docxVIP

一种改进的Harris角点检测算法中期报告

Harris角点检测算法是计算机视觉中常用的特征点检测算法之一，但是在特定情况下，存在一些局限性，比如检测角点的效果不理想、对光照和噪声敏感等问题。因此，本文将在Harris角点检测算法的基础上进行改进，以提高其检测角点的准确性和鲁棒性。

1.引言

以往的Harris角点检测算法主要是通过将图像亮度值的变化转换为灰度矩阵，通过计算灰度矩阵的特征值来判断是否为角点。但是，这种算法在检测角点时存在一些缺陷。首先，当图像的灰度值发生变化较大时，检测效果会较差。其次，在存在光线干扰、噪声等情况下，检测效果也会受到影响。

因此，为了解决上述问题，本文将采用改进的Harris角点检测算法，主要包括以下几个方面：

1）对原始图像进行预处理，消除光照和噪声的影响；

2）通过局部自适应阈值的方式检测角点，提高检测的鲁棒性和准确性；

3）使用非极大值抑制方法，对检测到的角点进行筛选，去除冗余角点。

2.预处理

在检测角点之前，必须对原始图像进行预处理，以消除光照和噪声的影响。本文将采用将高斯滤波和中值滤波相结合的方式进行预处理。

具体而言，首先对原始图像进行高斯滤波，去除噪声。然后，将滤波后的图像与原始图像进行差值运算，得到一幅处理后的图像。

3.局部自适应阈值检测角点

在预处理后的图像中，需要对每个像素进行判断，以确定是否是角点。通常，我们可以使用Harris角点检测算法来计算每个像素的特征值，以判断是否为角点。但是，直接使用Harris角点检测算法可能会出现一些问题，比如当图像灰度值变化较大时，会造成误差。

为了解决这个问题，本文将采用局部自适应阈值的方式进行角点检测。具体而言，对于每个像素点，我们将计算周围像素的灰度值的标准差，作为该像素点的检测阈值。若该像素点的Harris响应值大于该阈值，则该点被认为是角点。

4.非极大值抑制

经过局部自适应阈值检测角点后，我们得到了所有的角点。但是，还有许多冗余的角点，需要进行筛选。为了去除冗余角点，本文将采用非极大值抑制的方法。

具体而言，对于检测到的角点，我们将计算其周围8个方向的Harris响应值，并与其自身的响应值进行比较。若大于周围的响应值，则保留该角点，否则将其剔除。

5.总结

本文提出了一种改进的Harris角点检测算法，主要解决了原Harris角点检测算法在检测角点时的缺陷。经过预处理、局部自适应阈值检测角点和非极大值抑制三个步骤，我们可以得到较为准确的角点检测结果。在后续的实验中，我们将结合图像匹配算法使用改进后的Harris角点检测算法进行实验验证。