代码之家 › 专栏 › 技术社区 › Etan bbum

Harris角点检测器的实现

corner-detection feature-detection computer-vision matlab algorithm

Etan bbum · 技术社区 · 14 年前

我实现了一个哈里斯角探测器的教育目的,但我卡在哈里斯反应部分。基本上,我要做的是:

计算x和y方向上的图像强度梯度
模糊输出(1)
在3x3邻域和阈值输出中抑制(3)的输出中的非极大值

1和2似乎工作得很好;但是,当Harris响应时,我得到的值非常小,没有一个点达到阈值。输入是一个标准的户外摄影。

[...]
[Ix, Iy] = intensityGradients(img);
g = fspecial('gaussian');
Ix = imfilter(Ix, g);
Iy = imfilter(Iy, g);
H = harrisResponse(Ix, Iy);
[...]

function K = harrisResponse(Ix, Iy)
    max = 0;
    [sy, sx] = size(Ix);
    K = zeros(sy, sx);
    for i = 1:sx,
        for j = 1:sy,
            H = [Ix(j,i) * Ix(j,i), Ix(j,i) * Iy(j,i)
                Ix(j,i) * Iy(j,i), Iy(j,i) * Iy(j,i)];
            K(j,i) = det(H) / trace(H);
            if K(j,i) > max,
                max = K(j,i);
            end
        end
    end
    max
end

5 回复 | 直到 9 年前

jilles de wit 14 年前

Harris角点检测中的角点被定义为“区域中的最高值像素”(通常是 3X3 或 5x5 )所以你关于没有达到“门槛”的评论对我来说似乎很奇怪。只需收集所有的像素,这些像素的值高于图像中的所有其他像素他们周围的邻居。

除此之外:

K(j,i) = det(H) - lambda*(trace(H)^2) 其中lambda是一个在您的情况下有效的正常量(Harris建议的值是0.04)。

一般来说,筛选输入的唯一合理时机是在这一点之前:

[Ix, Iy] = intensityGradients(img);

过滤 Ix2 Iy2 和 Ixy

此外,我认为您的示例代码在这里是错误的(不起作用) harrisResponse

H = harrisResponse(Ix2, Ixy, Iy2);
[...]

function K = harrisResponse(Ix, Iy)

Walid Bousseta 7 年前

我用python实现的解决方案,对我很有用,希望你能找到你想要的

import numpy as np
import matplotlib.pyplot as plt
from PIL.Image import *
from scipy import ndimage

def imap1(im):
    print('testing the picture . . .')
    a = Image.getpixel(im, (0, 0))
    if type(a) == int:
        return im
    else:
        c, l = im.size
        imarr = np.asarray(im)
        neim = np.zeros((l, c))
        for i in range(l):
            for j in range(c):
                t = imarr[i, j]
                ts = sum(t)/len(t)
                neim[i, j] = ts
        return neim

def Harris(im):
    neim = imap1(im)
    imarr = np.asarray(neim, dtype=np.float64)
    ix = ndimage.sobel(imarr, 0)
    iy = ndimage.sobel(imarr, 1)
    ix2 = ix * ix
    iy2 = iy * iy
    ixy = ix * iy
    ix2 = ndimage.gaussian_filter(ix2, sigma=2)
    iy2 = ndimage.gaussian_filter(iy2, sigma=2)
    ixy = ndimage.gaussian_filter(ixy, sigma=2)
    c, l = imarr.shape
    result = np.zeros((c, l))
    r = np.zeros((c, l))
    rmax = 0
    for i in range(c):
        print('loking for corner . . .')
        for j in range(l):
            print('test ',j)
            m = np.array([[ix2[i, j], ixy[i, j]], [ixy[i, j], iy2[i, j]]], dtype=np.float64)
            r[i, j] = np.linalg.det(m) - 0.04 * (np.power(np.trace(m), 2))
            if r[i, j] > rmax:
                rmax = r[i, j]
    for i in range(c - 1):
        print(". .")
        for j in range(l - 1):
            print('loking')
            if r[i, j] > 0.01 * rmax and r[i, j] > r[i-1, j-1] and r[i, j] > r[i-1, j+1]\
                                     and r[i, j] > r[i+1, j-1] and r[i, j] > r[i+1, j+1]:
                result[i, j] = 1

    pc, pr = np.where(result == 1)
    plt.plot(pr, pc, 'r+')
    plt.savefig('harris_test.png')
    plt.imshow(im, 'gray')
    plt.show()
    # plt.imsave('harris_test.png', im, 'gray')

im = open('chess.png')
Harris(im)

iled S. Cassidy 8 年前

基本上,Harris角点检测有5个步骤:

梯度计算
高斯滤波
哈里斯测度计算
非最大抑制
阈值化

如果你是在MATLAB中实现的,那么很容易理解算法并得到结果。

下面的MATLAB代码可以帮助您解决疑问:

% Step 1: Compute derivatives of image
Ix = conv2(im, dx, 'same');
Iy = conv2(im, dy, 'same');

% Step 2: Smooth space image derivatives (gaussian filtering)
Ix2 = conv2(Ix .^ 2, g, 'same');
Iy2 = conv2(Iy .^ 2, g, 'same');
Ixy = conv2(Ix .* Iy, g, 'same');

% Step 3: Harris corner measure
harris = (Ix2 .* Iy2 - Ixy .^ 2) ./ (Ix2 + Iy2);

% Step 4: Find local maxima (non maximum suppression)
mx = ordfilt2(harris, size .^ 2, ones(size));

% Step 5: Thresholding
harris = (harris == mx) & (harris > threshold);

Piotr 11 年前

拟议的实施效率极低。让我们在计算梯度(也可以优化)之后开始:

A = Ix.^2;
B = Iy.^2;
C = (Ix.*Iy).^4;
lambda = 0.04;

H = (A.*B - C) - lambda*(A+B).^2;

% if you really need max:
max(H(:))

Dima 10 年前

在计算机视觉系统工具箱中有一个函数叫做 detectHarrisFeatures .