目录

一.基本原理

1.基本思想

2.数学模型

二.实现代码

三.实验结果与分析

1.场景一：纹理平坦场景

2.场景二：多水平边缘场景

3.场景三：角点丰富场景

四.实验总结

---

一.基本原理

1.基本思想

判断图像的角点，可以利用卷积窗口滑动的思想，让以该点为中心的窗口在附近滑动。如下图是所有描述角点文章的初始图例，当滑动窗口沿任意方向移动，灰度值都不变化则是均匀区域；如果灰度只在一个方向上变化，则可能是图像边缘。如果窗口内的像素灰度出现了较大的变化，就可能是角点。

2.数学模型

将图像窗口平移[u,v]产生灰度变化E(u,v)

 

二.实现代码

from pylab import *
from PIL import Image
from PCV.localdescriptors import harris"""
Example of detecting Harris corner points (Figure 2-1 in the book).
"""# 读入图像
im = array(Image.open('shiyan/1.jpg').convert('L'))# 检测harris角点
harrisim = harris.compute_harris_response(im)# Harris响应函数
harrisim1 = 255 - harrisimfigure()
gray()#画出Harris响应图
subplot(141)
imshow(harrisim1)
print(harrisim1.shape)
axis('off')
axis('equal')threshold = [0.01, 0.05, 0.1]
for i, thres in enumerate(threshold):filtered_coords = harris.get_harris_points(harrisim, 6, thres)subplot(1, 4, i+2)imshow(im)print (im.shape)plot([p[1] for p in filtered_coords], [p[0] for p in filtered_coords], '*')axis('off')#原书采用的PCV中PCV harris模块
#harris.plot_harris_points(im, filtered_coords)# plot only 200 strongest
# harris.plot_harris_points(im, filtered_coords[:200])show()

三.实验结果与分析

1.场景一：纹理平坦场景

正面亮：

正面暗：

远拍：

侧拍：

旋转：

结果分析：

1.不同亮度下：两者差别比较大，在较暗的情况下，出现了大片的角点粘连。

2.远拍：无较大变化

3.侧拍：相对与正面拍角点较多，但相差不大

4.旋转：无较大变化

 

2.场景二：多水平边缘场景

正面亮：

正面暗：

远拍：

侧拍：

旋转：

结果分析：

1.不同亮度下：较暗的情况下，出现的角点比较多

2.远拍：出现的角点较多，但相差不是太多

3.侧拍：出现的角点较多

4.旋转：无较大变化

3.场景三：角点丰富场景

正面亮：

正面暗：

远拍：

侧拍：

旋转：

结果分析：

1.不同亮度下：亮度高的情况下检测出的角点比较多

2.远拍：较远时识别效果不是很好，检测出的角点很多

3.侧拍：侧拍与正拍检测出的角点无太大变化

4.旋转：无太大变化

四.实验总结

角点算子具有旋转不变性，所以即使在不同的场景下，正面侧面检测出的角点无太大变化。而在亮度不同的情况下，角点检测算子比较敏感，较暗较亮的情况下，检测出的角点差别就会比较大。