角点特征检测技术：Harris与Harris-Laplace算法研究

‍博主简介博士研究生超级学长超级学长实验室提供各种程序开发、实验复现与论文指导个人邮箱easy_optics126.com个人微信easy_optics个人企鹅754357517 目 录摘要原理1. 角点定义2. Harris角点检测算法3. Harris-Laplace算法实验过程实验1Harris角点检测手动实现实验2使用MATLAB内置函数实验3Harris-Laplace多尺度检测实验结果结果1Harris角点响应图结果2手动实现Harris角点检测结果3OpenCV Harris角点检测结果4Harris-Laplace多尺度角点检测结果5算法对比总结摘要角点是图像中重要的局部特征点广泛应用于图像匹配、目标识别、运动跟踪等领域。本实验实现了Harris角点检测和Harris-Laplace多尺度角点检测两种算法验证了角点检测的有效性和多尺度特征的稳定性。实验结果表明Harris算法能够有效检测图像中的角点特征而Harris-Laplace算法则在多尺度空间中检测角点具有更好的尺度不变性。原理1. 角点定义角点是图像中两条边缘的交点或者说是局部窗口沿各方向移动都能检测到灰度变化明显的点。角点具有以下特征局部特征明显对旋转、平移不变计算简单检测效率高2. Harris角点检测算法Harris角点检测基于图像局部自相关性。对于图像I ( x , y ) I(x,y)I(x,y)在点( x , y ) (x,y)(x,y)处平移( u , v ) (u,v)(u,v)后的灰度变化为E ( u , v ) ∑ x , y w ( x , y ) [ I ( x u , y v ) − I ( x , y ) ] 2 E(u,v) \sum_{x,y} w(x,y) [I(xu, yv) - I(x,y)]^2E(u,v)x,y∑​w(x,y)[I(xu,yv)−I(x,y)]2通过泰勒展开可以表示为E ( u , v ) ≈ [ u , v ] M [ u v ] E(u,v) \approx [u, v] M \begin{bmatrix} u \\ v \end{bmatrix}E(u,v)≈[u,v]M[uv​]其中M MM是自相关矩阵M ∑ x , y w ( x , y ) [ I x 2 I x I y I x I y I y 2 ] M \sum_{x,y} w(x,y) \begin{bmatrix} I_x^2 I_x I_y \\ I_x I_y I_y^2 \end{bmatrix}Mx,y∑​w(x,y)[Ix2​Ix​Iy​​Ix​Iy​Iy2​​]Harris角点响应函数定义为R det ⁡ ( M ) − k ⋅ trace ( M ) 2 R \det(M) - k \cdot \text{trace}(M)^2Rdet(M)−k⋅trace(M)2其中det ⁡ ( M ) λ 1 λ 2 \det(M) \lambda_1 \lambda_2det(M)λ1​λ2​是矩阵的行列式trace ( M ) λ 1 λ 2 \text{trace}(M) \lambda_1 \lambda_2trace(M)λ1​λ2​是矩阵的迹k kk是经验常数通常取0.04~0.06当R RR大于阈值时该点被认为是角点。3. Harris-Laplace算法Harris-Laplace算法是对Harris角点检测的多尺度扩展主要步骤包括构建尺度空间在不同尺度上计算Harris角点响应尺度归一化使用尺度归一化的LoG算子进行尺度选择特征点选择选择在空间和尺度上都达到极值的点尺度归一化的LoG响应为∣ L o G ( σ ) ∣ σ 2 ∣ L x x L y y ∣ |LoG(\sigma)| \sigma^2 |L_{xx} L_{yy}|∣LoG(σ)∣σ2∣Lxx​Lyy​∣实验过程实验1Harris角点检测手动实现使用MATLAB代码实现Harris角点检测function[posr,posc]Harris1(in_image,a)% 功能检测图像的Harris角点% 输入in_image-待检测的RGB图像% a-角点响应参数取值范围为0.04到0.06% 把RGB图像转换为灰度图像in_imagergb2gray(in_image);ori_imdouble(in_image);%%%%%%计算图像在x和y方向的梯度%%%%%%fx[-101];Ixfilter2(fx,ori_im);fy[-1;0;1];Iyfilter2(fy,ori_im);%%%%%%计算两个方向的梯度乘积%%%%%%Ix2Ix.^2;Iy2Iy.^2;IxyIx.*Iy;%%%%%%使用高斯函数对梯度乘积进行加权%%%%%%hfspecial(gaussian,[77],2);Ix2filter2(h,Ix2);Iy2filter2(h,Iy2);Ixyfilter2(h,Ixy);%%%%%%计算每个像素的Harris响应值%%%%%%fori1:heightforj1:width M[Ix2(i,j)Ixy(i,j);Ixy(i,j)Iy2(i,j)];R(i,j)det(M)-a*(trace(M))^2;endend实验2使用MATLAB内置函数% 生成角点度量矩阵并进行检测Ccornermetric(I,Harris);corner_peaksimregionalmax(C);corner_idxfind(corner_peakstrue);实验3Harris-Laplace多尺度检测functionpointsharrislaplace(img)% 功能提取Harris-Laplace角点% 尺度参数sigma_begin1.5;sigma_step1.2;sigma_nb13;% 第一部分提取Harris角点fori1:sigma_nb s_Isigma_array(i);s_D0.7*s_I;% 计算Harris响应k0.06;cim(Ix2.*Iy2-Ixy.^2)-k*(Ix2Iy2).^2;end% 第二部分Laplace变换% 尺度归一化LoG响应laplace_snlo(:,:,i)s_L*s_L*imfilter(img,fspecial(log,floor(6*s_L1),s_L));实验结果结果1Harris角点响应图图中展示了Harris角点响应值的热力图响应值越高的区域表示角点可能性越大。结果2手动实现Harris角点检测使用手动实现的Harris算法检测角点红色标记表示检测到的角点位置。结果3OpenCV Harris角点检测使用OpenCV内置Harris角点检测函数的结果对比。结果4Harris-Laplace多尺度角点检测Harris-Laplace算法在不同尺度上检测角点圆圈大小表示特征尺度。结果5算法对比对比了不同角点检测算法的效果包括手动Harris、OpenCV Harris和Harris-Laplace。总结本实验成功实现了Harris角点检测和Harris-Laplace多尺度角点检测算法得出以下结论Harris角点检测计算简单检测效率高对旋转、平移具有不变性对尺度变化敏感Harris-Laplace算法具有尺度不变性在多尺度空间检测特征点计算复杂度较高应用建议对于固定尺度的图像匹配Harris算法是高效的选择对于需要尺度不变性的应用如目标识别应选择Harris-Laplace算法超级学长科研实验室简介工程光学、物理光学、智能优化算法、信号处理、图像处理、机器视觉、深度学习、神经网络等领域实验搭建与实验数据分析等程序开发、光学相关实验开展、课题选题与科研/论文指导等均可私信交流。