角檢測（Corner detection）是指檢測圖像中具有代表性的（我們感興趣的）角點，一般講為形狀或邊緣的拐角處，這些點可以大略標(biāo)記對象在圖像中的輪廓和位置，如果從一個圖像序列中檢測每個圖像的角點，就可以找出圖像之間存在的相關(guān)和相對應(yīng)的角點，這對比如全景拼接（多張圖片拼接成一張全景圖片）很有用。
角檢測還可以用在運動檢測、物體識別等方面。

Harris角檢測

Harris角檢測（也叫Harris & Stephens角檢測）是目前可用的最簡單的角檢測算法。它的基本思路是這樣的：對于圖像中的一個點，如果它周圍存在1個以上不同方向的邊緣，這個點所在處就是角。

下面需要粗略地介紹一下其中的數(shù)學(xué)原理，以便理解Harris濾波器函數(shù)參數(shù)的作用。

我們之前學(xué)習(xí)邊緣檢測的時候知道，邊緣上的點，水平和垂直兩個方向的梯度幅度（一階導(dǎo)數(shù)）較周圍高，如果要檢測點所在處是否具有1個方向以上的邊緣，就必須要綜合它周圍點的梯度一起考慮，那么問題就變成了需要計算周圍區(qū)域，像素兩兩之間的梯度關(guān)系，我們在學(xué)習(xí)PCA算法的時候知道協(xié)方差矩陣能體現(xiàn)這種關(guān)系，設(shè)Ix為點x在它周圍一小塊區(qū)域內(nèi)的水平方向梯度，同樣，設(shè)Iy為點y垂直方向梯度，組成一個協(xié)方差矩陣：

在點(x,y)附近一小塊區(qū)域內(nèi)，離(x,y)越近，關(guān)系越大，這就需要考慮加權(quán)計算，設(shè)加權(quán)算子為W（典型值使用高斯核，之前筆記介紹過），得到：
A = W * M

A被稱為Harris矩陣，它兩個特征值λ1和λ2，如果：

• λ1和λ2都為較大的正數(shù)，表示對應(yīng)的(x,y)點處是角

• 若λ1較大，而且λ2約等于0，表示所在點只有一條邊，非角

• 若λ1和λ2都約等于0，表示所在處沒有邊角

求Harris矩陣的特征值計算量較大，Harris給出了一個方程：

上式只要計算矩陣的行列式(det)和跡(trace)即可，計算方便，得到的結(jié)果可作為角的檢測，其中系數(shù)k是一個經(jīng)驗值，它的設(shè)置跟邊緣的粗細(xì)有關(guān)。我們暫且把這種方法稱為k方法。

為使得計算更方便，Noble角測量（Noble’s corner measure）給出了去除k系數(shù)的方法，只要計算：

eps（或?）為一個很小的正的常量，我們暫且稱此為eps方法。

Harris代碼實現(xiàn)
根據(jù)以上所介紹的eps方法，下面實現(xiàn)一個Harris角檢測函數(shù)：

def harris_eps(im, sigma=3):imx = np.zeros(im.shape)filters.gaussian_filter(im, (sigma,sigma), (0,1), imx)imy = np.zeros(im.shape)filters.gaussian_filter(im, (sigma,sigma), (1,0), imy)#計算兩兩之間的一階導(dǎo)數(shù)Wxx = filters.gaussian_filter(imx*imx,sigma)Wxy = filters.gaussian_filter(imx*imy,sigma)Wyy = filters.gaussian_filter(imy*imy,sigma)#計算行列式Wdet = Wxx*Wyy - Wxy**2#計算矩陣的跡Wtr = Wxx + Wyy#按eps公式計算return Wdet * 2 / (Wtr + 1e-06)

注意：書上并沒有嚴(yán)格按照公式計算返回值，經(jīng)測試，對某些圖片會出現(xiàn)無法除的情況，所以上面的代碼進行了改正

確定坐標(biāo)
Harris返回的結(jié)果是一個與原圖像大小相同的矩陣，要判斷是否是角點，還需要做如下的工作：

• 設(shè)定一個閾值，只考慮高于閾值的點，這樣可以過濾掉無用的或不感興趣的點

• 一個角處一般會有多個點，在標(biāo)記角坐標(biāo)的時候，應(yīng)該設(shè)定一個最小距離，在此距離內(nèi)只需要一個點進行標(biāo)記即可

這個判斷函數(shù)可以使用skimage庫中的corner_peaks函數(shù)，其中參數(shù)min_distance指上述的最小距離，threshold_rel則為閾值，函數(shù)原型：

skimage.feature.corner_peaks(harrisim, min_distance=10, threshold_abs=0, threshold_rel=0.1, ...)

函數(shù)默認(rèn)返回由所有角點在原圖像中的坐標(biāo)組成的數(shù)組。

skimage庫的Harris函數(shù)

skimage庫也提供了Harris角檢測函數(shù)：

skimage.feature.corner_harris(image, method='k', k=0.05, eps=1e-06, sigma=1)method: 'k'或'eps'，對應(yīng)上述的兩種計算方法 k: k方法中的k系數(shù)，取值區(qū)間為[0, 0.2]，k的值越小，表示將檢測越銳利的角 eps: eps方法中的系數(shù)，默認(rèn)即可 sigma: 高斯核的標(biāo)準(zhǔn)差

簡單示例：

import numpy as np from skimage.feature import corner_harris, corner_peakssquare = np.zeros([10, 10]) square[2:8, 2:8] = 1 square.astype(int)print square >>[[ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][ 0. 0. 1. 1. 1. 1. 1. 1. 0. 0.][ 0. 0. 1. 1. 1. 1. 1. 1. 0. 0.][ 0. 0. 1. 1. 1. 1. 1. 1. 0. 0.][ 0. 0. 1. 1. 1. 1. 1. 1. 0. 0.][ 0. 0. 1. 1. 1. 1. 1. 1. 0. 0.][ 0. 0. 1. 1. 1. 1. 1. 1. 0. 0.][ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]harris_result = corner_harris(square) print corner_peaks(harris_result, min_distance=1) #此函數(shù)能夠從harris結(jié)果中檢測角的坐標(biāo)位置 >>[[2 2][2 7][7 2][7 7]]

上面harris_result如圖，觀察一下角處的值與周圍的不同：

對比示例

我分別用我們自己實現(xiàn)的harris_eps函數(shù)，跟skimage中的corner_harris函數(shù)進行效果對比，發(fā)現(xiàn)兩者存在差異，有使用了兩張圖像進行了測試，一張是內(nèi)容比較簡單的矢量圖，一張是寫實圖，效果如下：

可以看到，使用簡單的房子的圖像時，通過微調(diào)參數(shù)，三種方法都可以達(dá)到比較接近的效果。但使用寫實的圖像（第二列）時，三者差異較大，skiamge庫的版本檢測出的角結(jié)果不是我們期望的。而且我通過調(diào)整參數(shù)也很難達(dá)到效果。原因還不清楚，有空再回頭分析一下corner_harris函數(shù)的源代碼。

以上示例的代碼：

from PIL import Image import matplotlib.pyplot as plt import numpy as np from skimage.feature import corner_harris, corner_peaks from scipy.ndimage import filters#harris_eps函數(shù)此處省略，見上文im1 = np.array(Image.open('house.jpg').convert('L')) im2 = np.array(Image.open('tower-left.jpg').convert('L'))my_coords1 = corner_peaks(harris_eps(im1, sigma=1), min_distance=12, threshold_rel=0) eps_coords1 = corner_peaks(corner_harris(im1, method='eps', sigma=1), min_distance=20, threshold_rel=0) k_coords1 = corner_peaks(corner_harris(im1, method='k', sigma=1), min_distance=20, threshold_rel=0)my_coords2 = corner_peaks(harris_eps(im2, sigma=1), min_distance=5, threshold_rel=0.01) eps_coords2 = corner_peaks(corner_harris(im2, method='eps', sigma=1), min_distance=5, threshold_rel=0.01) k_coords2 = corner_peaks(corner_harris(im2, method='k', sigma=1), min_distance=5, threshold_rel=0.01)def plot_coords(index, title, im, coords):plt.subplot(index)plt.imshow(im)plt.plot(coords[:, 1], coords[:, 0], '+r', markersize=5)plt.title(title)plt.axis('off')plt.gray() index = 321 plot_coords(index, 'my', im1, my_coords1) plot_coords(index + 1, 'my', im2, my_coords2) plot_coords(index + 2, 'skimage-eps', im1, eps_coords1) plot_coords(index + 3, 'skimage-eps', im2, eps_coords2) plot_coords(index + 4, 'skimage-k', im1, k_coords1) plot_coords(index + 5, 'skimage-k', im2, k_coords2) plt.tight_layout(w_pad=0) plt.show()

小結(jié)

下一筆記學(xué)習(xí)如何從圖像間找出相關(guān)的對應(yīng)點。
你還可以查看我的其它筆記

參考資料

wiki: Corner detection
skimage corner example

總結(jié)

以上是生活随笔為你收集整理的Programming Computer Vision with Python （学习笔记九）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。