实验二：Harris角点检测与特征匹配

“实验二题目说明1 - 特征检测与匹配” 在计算机视觉领域，特征检测与匹配是一项核心任务，它涉及到图像分析和图像识别。本实验“实验二：特征检测与匹配”要求学生实现这一过程，以识别图像中的关键点，并在另一图像中找到它们的最佳对应点。实验分为三个部分：特征检测、特征描述和特征匹配。 **特征检测**： 特征检测的目标是找到图像中的显著点，这些点在图像的各种变换下（如平移、旋转、缩放和光照变化）保持稳定。在这个实验中，学生将采用Harris角点检测方法。Harris角点检测算法基于像素邻域的强度变化来检测可能的角点。具体步骤如下： 1. 计算图像中每个点的x和y方向导数，通常使用3×3的Sobel算子进行边缘检测。Sobel算子是一种微分算子，能有效地检测图像的边缘。 2. 应用高斯滤波器（标准差为0.5）以实现旋转不变性。高斯滤波器可以平滑图像，减少噪声影响。 3. 构建Harris矩阵H，它反映了图像局部像素的灰度变化。H的元素由x和y方向的导数构成。 4. 计算角点强度函数c(H)，它是H的行列式与迹的乘积。如果c(H)值较大，表明该点可能是角点。 5. 确定每个像素的方向，可以使用梯度方向作为近似。 6. 寻找7×7邻域内的局部最大值作为角点。这可以通过比较当前点的c(H)值与其邻域内其他点的c(H)值来完成。 在Python中，可以利用`scipy.ndimage.sobel`来计算Sobel导数，`scipy.ndimage.gaussian_filter`进行高斯滤波。 **特征描述**： 一旦检测到特征点，接下来需要为这些点创建描述符，以便于在另一图像中识别它们。描述符应能够捕捉特征点周围的局部特性，同时对光照、尺度和角度变化有一定的鲁棒性。实验中并未指定特定的描述符算法，但常见的有SIFT、SURF或ORB等。 **特征匹配**： 最后一步是匹配两个图像中的特征点，寻找最佳对应关系。这通常涉及计算描述符之间的距离（如欧氏距离或汉明距离），并应用某种匹配策略（如最近邻匹配或比例测试）。实验中提供了用户界面来可视化结果，并有一个示例ORB特征检测器用于比较。 实验要求学生在`features.py`文件中实现这三个部分，并使用提供的库函数。实验的截止日期为2018年11月22日23点59分，且需以小组形式完成，报告中应明确标注每个成员的工作量。 完成这个实验将有助于学生深入理解图像处理的基础知识，特别是特征检测和匹配的重要性，以及如何使用Python库实现这些算法。这不仅对毕业设计有所帮助，也为未来在软件开发、计算机视觉领域的研究打下坚实基础。