用pycharm和Anaconda软件实现具体Harris 算法 不可以使用cv2库

在PyCharm和Anaconda环境下不使用OpenCV库实现Harris角点检测算法，你需要手动编写一些基础的图像处理函数，如灰度转换、计算梯度矩阵、高斯核、计算 Harris 函数等。以下是简要步骤：

1. **安装必要的库**：首先，确保已经安装了`numpy`、`matplotlib`等基本科学计算库。

   conda install numpy matplotlib scipy

2. **读取和显示图片**：
使用`PIL`（Python Imaging Library）来加载和显示图片。

   from PIL import Image
   img = Image.open('your_image.jpg')
   gray_img = img.convert('L')  # 转换为灰度图

3. **计算梯度**：
计算图像的一阶导数（梯度），这通常需要对每个像素周围的邻域应用卷积操作。

   def sobel_gradients(gray_img):
       sobel_x = [-1, 0, 1]
       sobel_y = [-1, 0, 1]
       grad_x = convolve(gray_img, sobel_x)
       grad_y = convolve(gray_img, sobel_y)
       return grad_x, grad_y

4. **高斯滤波**：
应用高斯滤波减少噪声的影响，提高后续计算的稳定性。

   def apply_gaussian_filter(img, kernel_size=5):
       kernel = generate_gaussian_kernel(kernel_size)
       filtered_img = convolve(img, kernel)
       return filtered_img

5. **计算响应值**：
将一阶导数结果应用于Harris角点检测公式（即Hessian矩阵和特征值计算）。

   def harris_response(grad_x, grad_y, ksize=3, sigma=1):
       shifter = np.array([[0, -1], [1, 0]])
       Ixx, Iyy = laplacian(grad_x ** 2, ksize=ksize), laplacian(grad_y ** 2, ksize=ksize)
       Ixy = laplacian(grad_x * grad_y, ksize=ksize) + convolve(grad_x, convolve(grad_y, shifter), mode='same')

       det = Ixx * Iyy - Ixy ** 2
       trace = Ixx + Iyy

       response_map = det / (trace ** 2 + sigma ** 2)
       return response_map

6. **非极大值抑制（NMS）和阈值处理**：
找到响应最大的点并应用NMS来筛选角点候选，然后设定一个阈值过滤弱响应。

   def non_max_suppression(response_map, threshold=0.01):
       candidates = find_peaks(response_map)
       corners = suppress_peaks(candidates, response_map, threshold)
       return corners

7. **绘制角点**：
最后，将角点位置标注在原始图像上。

   def draw_corners(image, corners):
       for corner in corners:
           cv2.circle(image, tuple(corner.astype(int)), 5, (0, 0, 255), thickness=-1)
       plt.imshow(image, cmap='gray')
       plt.show()

注意：由于缺少 OpenCV，这个过程比使用它繁琐得多，并且需要自己实现更复杂的函数，例如高斯滤波和拉普拉斯算子。如果你打算实际运行，可能需要花更多时间去理解和实现上述步骤。同时，这里的代码片段可能需要进一步优化和调整才能适应实际需求。