锐客网

  1. 首页 > 睿知 > >

harris角点检测算法实现 harris角点检测原理

生活知识睿知

Harris 角点检测 认为 特征点具有局部差异性 。
如何描述“特征点具有局部差异性”：
以每一个点为中心，取一个窗口，窗口大小为5*5或7*7像素大小 。
这个窗口描述了这个特征点周围的环境 。
如果这个特征点具有局部差异性，那么以这个特征点为中心，把窗口向360度任意一个方向移动，窗口的变化比较大，则这个特征点的周围环境变化比较大 。
数学公式：
（x,y）：表示像素的位置 。
：表示窗口内的每个像素 。
w(x,y)：表示 这个位置的权重 。
若w=1，则说明窗口中所有的像素贡献是一样的 。
若w设置为以这个特征点为中心的高斯，
高斯权重，说明距离这个特征点越近，权重越大；越往周围发散，权重越小 。
I(x,y)：表示(x,y)这个位置的像素值 。如果是灰度图，I就是灰度值，如果是彩色图，I就是RGB值 。
u和v表示窗口移动的方向 。
I(x+u,y+v) – I(x,y)：表示对应像素的灰度差异 。
：在整个窗口内 ， 即在局部环境内求这个像素灰度差异的加权和 。
对 I(x+u,y+v) – I(x,y)进行一阶泰勒展开，得到
在(x,y)处的灰度值，再加上u方向和v方向的偏导数 。
整理后，结果为：
u和v表示窗口移动的方向 ，  H表示Harris矩阵，主要由图像梯度表示 。
对Harris矩阵进行特征分解：
得到两个特征值
，矩阵的这两个特征值反映了：两个相互垂直的方向上的变化情况 。
一个是变化最快的方向，一个是变化最慢的方向 。
前面设置了u和v，这是两个向量 ， 表示窗口移动的方向 。以(x,y)这个点为中心 ， 进行360度的旋转 。
特征值
对应的特征向量，确定了变化最快的方向和变化最慢的方向 。其他方向的变化情况，介于这两者之间 。
通过对Harris矩阵的分析，得到如下结论：
只有当Harris矩阵的两个特征值
都非常大的时候 ， 特征点才能和周围环境区别比较大，是我们想要的特征点 。
现在检测特征的任务就变成了，计算Harris矩阵 ， 并判断其两个特征值
的大小 。
Harris角点准则实际中，并不对Harris矩阵进行分解求其特征值，因为计算量太大 。而是使用Harris角点准则 。
C = Harris矩阵的行列式值 – k(Harris矩阵的迹)2
Harris矩阵的行列式值：Harris矩阵特征值
的乘积
Harris矩阵的迹：Harris矩阵特征值
【harris角点检测算法实现 harris角点检测原理】的和

  • k的值越小 ， 检测子越敏感 。k的值越?。芗觳獾降奶卣鞯阍蕉?。
  • 只有当和同时取得最大值时，才能取得较大值 。
  • 避免了特征值分解 ， 提高检测计算效率 。

    推荐阅读


    上一篇：藏族人为什么没有姓氏

    下一篇：安卓最好的游戏模拟器 手游模拟器排行榜第一