Harris角点检测c++代码

Harris角点检测是一种用于图像处理中的特征提取方法，它能够识别图像中的角点。该算法的基本思想是通过检测图像亮度变化显著的点来识别角点，通常包括以下几个步骤：

1. 计算图像中每个像素点的梯度信息（通常是X和Y方向的梯度）。
2. 计算梯度的乘积，构建一个自相关矩阵（通常称为Harris矩阵）。
3. 对自相关矩阵进行局部窗口的积分，以便对图像中每个像素点的局部窗口进行角点响应函数（CRF）计算。
4. 设置一个阈值，通过比较CRF的值来确定角点的位置。

以下是一个简化的C++代码示例，用于演示如何实现基本的Harris角点检测算法：

#include <iostream>
#include <opencv2/opencv.hpp>
#include <cmath>

// 计算梯度和梯度乘积
void computeHarrisResponses(cv::Mat &src, cv::Mat &dst, int blockSize, int apertureSize) {
    cv::Mat Ix, Iy;
    cv::Mat Ix2, Iy2, Ixy;
    cv::Sobel(src, Ix, CV_32F, 1, 0, apertureSize);
    cv::Sobel(src, Iy, CV_32F, 0, 1, apertureSize);

    cv::multiply(Ix, Ix, Ix2);
    cv::multiply(Iy, Iy, Iy2);
    cv::multiply(Ix, Iy, Ixy);

    int d = src.channels();

    for (int i = blockSize / 2; i < src.rows - blockSize / 2; ++i) {
        for (int j = blockSize / 2; j < src.cols - blockSize / 2; ++j) {
            float sum_x2 = cv::sum(Ix2.colRange(j - blockSize / 2, j + blockSize / 2).rowRange(i - blockSize / 2, i + blockSize / 2))[0];
            float sum_y2 = cv::sum(Iy2.colRange(j - blockSize / 2, j + blockSize / 2).rowRange(i - blockSize / 2, i + blockSize / 2))[0];
            float sum_xy = cv::sum(Ixy.colRange(j - blockSize / 2, j + blockSize / 2).rowRange(i - blockSize / 2, i + blockSize / 2))[0];

            float det = (sum_x2 * sum_y2 - sum_xy * sum_xy);
            float trace = sum_x2 + sum_y2;
            float harris_response = det - 0.04 * (trace * trace);
            dst.at<float>(i - blockSize / 2, j - blockSize / 2) = harris_response;
        }
    }
}

int main() {
    cv::Mat src, dst;
    src = cv::imread("path_to_image.jpg", cv::IMREAD_GRAYSCALE);
    if (src.empty()) {
        std::cout << "Could not open or find the image" << std::endl;
        return -1;
    }

    dst.create(src.size(), CV_32FC1);
    computeHarrisResponses(src, dst, 3, 3);

    cv::Mat dst_norm, dst_norm_scaled;
    cv::normalize(dst, dst_norm, 0, 255, cv::NORM_MINMAX);
    cv::convertScaleAbs(dst_norm, dst_norm_scaled);

    cv::imshow("Harris Corner Response", dst_norm_scaled);
    cv::waitKey();

    return 0;
}

在上面的代码中，首先对输入的灰度图像`src`进行Sobel边缘检测，得到X和Y方向的梯度图像。然后，对梯度图像的局部窗口进行计算，以获取每个像素的角点响应值。最后，使用`cv::normalize`函数对结果进行归一化，并显示角点响应图像。

需要注意的是，为了获得更好的效果，你可能需要调整`blockSize`和`apertureSize`这两个参数，并且在实际应用中通常会使用非极大值抑制来精确定位角点。