角点特征检测技术：Harris与Harris-Laplace算法研究

👨‍🎓博主简介：博士研究生

🔬超级学长：超级学长@实验室（提供各种程序开发、实验复现与论文指导）

📧个人邮箱：easy_optics@126.com

💬个人微信：easy_optics

🐧个人企鹅：754357517

摘要

角点是图像中重要的局部特征点，广泛应用于图像匹配、目标识别、运动跟踪等领域。本实验实现了Harris角点检测和Harris-Laplace多尺度角点检测两种算法，验证了角点检测的有效性和多尺度特征的稳定性。实验结果表明，Harris算法能够有效检测图像中的角点特征，而Harris-Laplace算法则在多尺度空间中检测角点，具有更好的尺度不变性。

原理

1. 角点定义

角点是图像中两条边缘的交点，或者说是局部窗口沿各方向移动都能检测到灰度变化明显的点。角点具有以下特征：

• 局部特征明显
• 对旋转、平移不变
• 计算简单，检测效率高

2. Harris角点检测算法

Harris角点检测基于图像局部自相关性。对于图像I ( x , y ) I(x,y)I(x,y)，在点( x , y ) (x,y)(x,y)处平移( u , v ) (u,v)(u,v)后的灰度变化为：

E ( u , v ) = ∑ x , y w ( x , y ) [ I ( x + u , y + v ) − I ( x , y ) ] 2 E(u,v) = \sum_{x,y} w(x,y) [I(x+u, y+v) - I(x,y)]^2E(u,v)=x,y∑​w(x,y)[I(x+u,y+v)−I(x,y)]2

通过泰勒展开，可以表示为：

E ( u , v ) ≈ [ u , v ] M [ u v ] E(u,v) \approx [u, v] M \begin{bmatrix} u \\ v \end{bmatrix}E(u,v)≈[u,v]M[uv​]

其中M MM是自相关矩阵：

M = ∑ x , y w ( x , y ) [ I x 2 I x I y I x I y I y 2 ] M = \sum_{x,y} w(x,y) \begin{bmatrix} I_x^2 & I_x I_y \\ I_x I_y & I_y^2 \end{bmatrix}M=x,y∑​w(x,y)[Ix2​Ix​Iy​​Ix​Iy​Iy2​​]

Harris角点响应函数定义为：

R = det ⁡ ( M ) − k ⋅ trace ( M ) 2 R = \det(M) - k \cdot \text{trace}(M)^2R=det(M)−k⋅trace(M)2

其中：

• det ⁡ ( M ) = λ 1 λ 2 \det(M) = \lambda_1 \lambda_2det(M)=λ1​λ2​是矩阵的行列式
• trace ( M ) = λ 1 + λ 2 \text{trace}(M) = \lambda_1 + \lambda_2trace(M)=λ1​+λ2​是矩阵的迹
• k kk是经验常数，通常取0.04~0.06

当R RR大于阈值时，该点被认为是角点。

3. Harris-Laplace算法

Harris-Laplace算法是对Harris角点检测的多尺度扩展，主要步骤包括：

1. 构建尺度空间：在不同尺度上计算Harris角点响应
2. 尺度归一化：使用尺度归一化的LoG算子进行尺度选择
3. 特征点选择：选择在空间和尺度上都达到极值的点

尺度归一化的LoG响应为：

∣ L o G ( σ ) ∣ = σ 2 ∣ L x x + L y y ∣ |LoG(\sigma)| = \sigma^2 |L_{xx} + L_{yy}|∣LoG(σ)∣=σ2∣Lxx​+Lyy​∣

实验过程

实验1：Harris角点检测手动实现

使用MATLAB代码实现Harris角点检测：

function[posr,posc]=Harris1(in_image,a)% 功能：检测图像的Harris角点% 输入：in_image-待检测的RGB图像% a-角点响应参数，取值范围为0.04到0.06% 把RGB图像转换为灰度图像in_image=rgb2gray(in_image);ori_im=double(in_image);%%%%%%计算图像在x和y方向的梯度%%%%%%fx=[-101];Ix=filter2(fx,ori_im);fy=[-1;0;1];Iy=filter2(fy,ori_im);%%%%%%计算两个方向的梯度乘积%%%%%%Ix2=Ix.^2;Iy2=Iy.^2;Ixy=Ix.*Iy;%%%%%%使用高斯函数对梯度乘积进行加权%%%%%%h=fspecial('gaussian',[77],2);Ix2=filter2(h,Ix2);Iy2=filter2(h,Iy2);Ixy=filter2(h,Ixy);%%%%%%计算每个像素的Harris响应值%%%%%%fori=1:heightforj=1:width M=[Ix2(i,j)Ixy(i,j);Ixy(i,j)Iy2(i,j)];R(i,j)=det(M)-a*(trace(M))^2;endend

实验2：使用MATLAB内置函数

% 生成角点度量矩阵并进行检测C=cornermetric(I,'Harris');corner_peaks=imregionalmax(C);corner_idx=find(corner_peaks==true);

实验3：Harris-Laplace多尺度检测

functionpoints=harrislaplace(img)% 功能：提取Harris-Laplace角点% 尺度参数sigma_begin=1.5;sigma_step=1.2;sigma_nb=13;% 第一部分：提取Harris角点fori=1:sigma_nb s_I=sigma_array(i);s_D=0.7*s_I;% 计算Harris响应k=0.06;cim=(Ix2.*Iy2-Ixy.^2)-k*(Ix2+Iy2).^2;end% 第二部分：Laplace变换% 尺度归一化LoG响应laplace_snlo(:,:,i)=s_L*s_L*imfilter(img,fspecial('log',floor(6*s_L+1),s_L));

实验结果

结果1：Harris角点响应图

图中展示了Harris角点响应值的热力图，响应值越高的区域表示角点可能性越大。

结果2：手动实现Harris角点检测

使用手动实现的Harris算法检测角点，红色标记表示检测到的角点位置。

结果3：OpenCV Harris角点检测

使用OpenCV内置Harris角点检测函数的结果对比。

结果4：Harris-Laplace多尺度角点检测

Harris-Laplace算法在不同尺度上检测角点，圆圈大小表示特征尺度。

结果5：算法对比

对比了不同角点检测算法的效果，包括手动Harris、OpenCV Harris和Harris-Laplace。

总结

本实验成功实现了Harris角点检测和Harris-Laplace多尺度角点检测算法，得出以下结论：

1. Harris角点检测：

• 计算简单，检测效率高
• 对旋转、平移具有不变性
• 对尺度变化敏感

2. Harris-Laplace算法：

• 具有尺度不变性
• 在多尺度空间检测特征点
• 计算复杂度较高

3. 应用建议：

• 对于固定尺度的图像匹配，Harris算法是高效的选择
• 对于需要尺度不变性的应用，如目标识别，应选择Harris-Laplace算法

超级学长@科研实验室简介：工程光学、物理光学、智能优化算法、信号处理、图像处理、机器视觉、深度学习、神经网络等领域实验搭建与实验数据分析等，程序开发、光学相关实验开展、课题选题与科研/论文指导等均可私信交流。