(1)harris角点检测器
时间: 2023-09-20 12:00:40 浏览: 53
Harris角点检测器是一种用于图像处理中角点检测的算法。它是由Chris Harris和Mike Stephens在1988年提出的。Harris角点检测器通过分析图像中的像素强度变化来确定图像中的角点。
该算法首先将图像进行灰度化处理,将彩色图像转换为灰度图像。然后,对图像中的每个像素计算其梯度,使用Sobel算子来计算每个像素的水平和垂直方向的梯度值。接下来,通过计算每个像素的自相关矩阵,使用窗口函数对每个像素进行卷积,计算其角点响应函数R。
角点响应函数R的计算公式为R = det(M) - k * trace(M)^2,其中M为自相关矩阵,k是一个常数。
对于每个像素,通过比较其角点响应函数R的值与设定的阈值来确定是否是角点。如果R的值大于阈值,那么该像素被视为角点。根据选择的阈值,我们可以控制检测到的角点的数量。
Harris角点检测器的优点是可以准确地检测图像中的角点,并且对于旋转、平移和缩放具有一定的不变性。此外,该算法计算简单,效率高,适用于实时角点检测的应用。
然而,Harris角点检测器也存在一些缺点。例如,它对图像的噪声比较敏感,并且对于尺度变化和视角变化不具备不变性。在应用中需要选择合适的参数和阈值来获得满意的检测效果。
相关问题
Harris角点检测python代码
Harris角点检测是一种计算机视觉算法,用于检测图像中的角点。以下是Harris角点检测的Python代码:
1. 首先需要导入必要的库:
```
from PIL import Image
from numpy import *
from pylab import *
```
2. 定义计算Harris响应函数的函数:
```
def compute_harris_response(im, sigma=3):
""" 在一幅灰度图像中,对每个像素计算Harris角点检测器响应函数 """
# 计算导数
imx = zeros(im.shape)
filters.gaussian_filter(im, (sigma,sigma), (0,1), imx)
imy = zeros(im.shape)
filters.gaussian_filter(im, (sigma,sigma), (1,0), imy)
# 计算Harris矩阵的分量
Wxx = filters.gaussian_filter(imx*imx, sigma)
Wxy = filters.gaussian_filter(imx*imy, sigma)
Wyy = filters.gaussian_filter(imy*imy, sigma)
# 计算特征值和迹
Wdet = Wxx*Wyy - Wxy**2
Wtr = Wxx + Wyy
return Wdet / Wtr
```
3. 定义获取Harris角点的函数:
```
def get_harris_points(harrisim, min_distance=10, threshold=0.1):
""" 从一幅Harris响应图像中返回角点。min_distance为分割角点和图像边界的最小像素数目 """
# 寻找高于阈值的候选角点
corner_threshold = harrisim.max() * threshold
harrisim_t = (harrisim > corner_threshold) * 1
# 得到候选点的坐标
coords = array(harrisim_t.nonzero()).T
# 以及它们的Harris响应值
candidate_values = [harrisim[c[0],c[1]] for c in coords]
# 对候选点按照Harris响应值进行排序
index = argsort(candidate_values)
# 将可行点的位置保存到数组中
allowed_locations = zeros(harrisim.shape)
allowed_locations[min_distance:-min_distance,min_distance:-min_distance] = 1
# 按照最小距离原则,选择最佳Harris点
filtered_coords = []
for i in index:
if allowed_locations[coords[i,0],coords[i,1]] == 1:
filtered_coords.append(coords[i])
allowed_locations[(coords[i,0]-min_distance):(coords[i,0]+min_distance),
(coords[i,1]-min_distance):(coords[i,1]+min_distance)] = 0
return filtered_coords
```
4. 定义绘制Harris角点的函数:
```
def plot_harris_points(image, filtered_coords):
""" 绘制图像中检测到的角点 """
figure()
gray()
imshow(image)
plot([p[1] for p in filtered_coords], [p[0] for p in filtered_coords], '*', color='r')
axis('off')
show()
```
5. 最后,可以使用以下代码来运行Harris角点检测:
```
# 读入图像
im = array(Image.open(r"C:\Users\13121\Desktop\test.jpg").convert('L'))
# 计算Harris响应函数
harrisim = compute_harris_response(im)
# 获取Harris角点
filtered_coords = get_harris_points(harrisim, 6, 0.01)
# 绘制Harris角点
plot_harris_points(im, filtered_coords)
```
Harris 角点检测器中减少冗余边缘的技术
Harris 角点检测器中减少冗余边缘的技术是通过非极大值抑制来实现的。在角点检测的过程中,会检测到很多的角点,但是其中有些角点是重复的或者不重要的。为了减少这些冗余的角点,需要通过非极大值抑制来筛选出最重要的角点。具体的实现方法是在图像中遍历每个像素点,找到其邻域内的最大响应值,并将该像素点作为角点输出。这样就可以减少冗余边缘,得到更准确的角点检测结果。