基于角点检测的图像处理方法
1 基于角点检测的图像处理方法研究
摘 要：本文主要研究了图像的角点检测方法，在计算机视觉中，机器视觉和图像处理后总，特征提取都是一个重要的方向。而角点又是图像的一个重要局部特征，它决定了图像中目标的形状，因此在图像匹配，目标描述与识别及运动估计，目标跟踪等领域，角点提取都具有重要的意义。角点的信息含量很高，可以对图像处理提供足够的约束，减少运算量，极大地提高运算速度。角点检测问题是图像处理领域的一个基础问题,是低层次图像处理的一个重要方法。角点检测的目的是为了匹配，而匹配的效率取决于角点的数量。Harris角点检测原理是对于一副图像，角点于自相关函数的曲率特性有关，自相关函数描述了局部局部图像灰度的变化程度。在角点处，图像窗口的偏移将造成自相关函数（图像灰度的平均变化）的显著变化。harris算子是一种简单的点特征提取算子，这种算子受信号处理中自相关函数的启发，给出与自相关函数相联系的矩阵M。M阵的特征值是自相关函数的一个阶曲率，如果两个曲率值都高，那么久认为该点是特征点。
关键词：角点，角点检测，Harris角点
2 ABSTRACT
This paper studies the image of the corner detection methods in computer
vision, machine vision and image processing general, feature extraction is an
important direction. The corner is an important local feature image, which
determines the shape of the target image, so the image matching, object
description and recognition and motion estimation, target tracking and other
fields, corner detection are of great significance. Corner of the information
content is high, image processing can provide sufficient constraints to reduce the
amount of computation greatly improve the processing speed. Corner detection is
a basic image processing problems, low-level image processing is an important
way. Corner detection is designed to match the efficiency of the matching
depends on the number of corners。Harris corner detection principle is that for an
image, corner point on the curvature properties of the autocorrelation function is
related to the local auto-correlation function describes the degree of local image
intensity changes. In the corner point, the offset will result in the image window
autocorrelation function (the average image intensity changes) change
significantly. arris operator is a simple point feature extraction operator, this
operator by the signal processing in the autocorrelation function of inspiration,
given the autocorrelation function associated with the matrix M. Eigenvalues of
matrix M is an order autocorrelation function of the curvature, if the two
curvature values are high, for so long that the point is the feature points.
Key word: Corner , Corner detection , Harris Corner
3 目录
第一章 绪论 .............................................................. 4
1.1问题的提出及研究意义 ............................................... 4
1.2研究背景 ........................................................... 5
1.3论文的主要工作 ..................................................... 6
第二章 角点检测 ........................................................... 7
2.1角点概念及特征. .................................................... 7
2.2角点检测的研究意义 ................................................. 7
2.3角点检测的研究现状 ................................................. 8
2.4 角点检测算法 ....................................................... 8
第三章 角点检测的理论基础 ................................................. 9
3.1常用角点检测简介 ................................................... 9
3.2角点检测的标准 ..................................................... 9
3.3基于模板的角点检测 ................................................. 9
3.4角点检测原理 ...................................................... 10
第四章 Harris角点检测算法 ................................................ 11
4.1Harris算子特征 .................................................... 11
4.2Harris角点检测性质 ................................................ 11
4.3Harris角点检测原理 ................................................ 11
4.4Harris角点检测算法 ................................................ 12
4.5 SUSAN检测算法 .................................................... 13
第五章 图片实现及结论 .................................................... 16
5.1基于Harris角点的图片实现 ......................................... 16
5.2基于susan检测实现的图片 .......................................... 18
5.3算法比较 .......................................................... 19
5.4角点检测程序 ...................................................... 21
第六章 结语 .............................................................. 24
参考文献 ................................................................. 25
答 谢 ................................................................. 26
4 第一章 绪论
1.1问题的提出及研究意义
人类正在进入信息时代，计算机将越来越广泛的进入几乎所有的领域。一方面是更多未经计算机专业训练的人需要应用计算机，而另一方面是计算机的功能越来越强，使用方法越来越复杂。这就使人在进行交谈和通讯时的灵活性于目前使用计算机时所要求严格和死板之间产生了尖锐的矛盾。为了使更多的人能够使用复杂的计算机，必须改变过去那种让人来适应计算机，来死记硬背计算机使用规则的情况。而是反过来让计算机来适应人的习惯和要求，以人所习惯的方式与人进行信息交换，也就是让计算机具有视觉、听觉、和说话的能力。特征提取是图像分析和图像配准的基础，也是运动物体跟踪的关键步骤之一。图像特征是由于拍摄场景的物理与几何特性使图像中局部 的灰度产生明显变化而形成的。
图像特征的获取是顺利进行摄像机标定和立体视觉研究的前提和基础。图像特征主要包括图像边界、边缘点、角点、拐点和纹理等。特征提取的好坏直接影响到后面的标定精度和匹配精度。
图像、音频和视频为主的多媒体信息正在迅速成为信息交流与服务的主流。传统的数据库检索中采用的基于关键词的检索方式已不能满足人们的需要，基于内容的多媒体检索成为一个研究热点。正确的识别图像、音频和视频中的内容是基于内容的多媒体检索的一个前提。
图像角点检测是完成视觉处理的基本任务之一，也是图像处理基本任务。角点特征是影像的重要特征。角点时目标轮廓线上曲率的局部极大点，
基于GPU的实时亚像素Harris角点检测
第３６卷
Ｖｏ１．３６ 第ｌ２期
Ｎｏ １２ 计算机工程
Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ２０１０年６月
Ｊｕｎｅ ２０１０
・图形图像处理・ 文章编号：１ｏｏ０＿＿ ４２８（２０ｌ０）ｌ２—０２１３一一１３ 文献标识码：Ａ 中图分类号：ＴＰ３９１
基于ＧＰＵ的实时亚像素Ｈａｒｒｉｓ角点检测
朱遵尚，刘肖琳
（国防科技大学机电工程与自动化学院，长沙４１００７３）
摘要：针对Ｈａｒｒｉｓ角点检测精度和检测速度问题，利用现代图形处理器（ＧＰＵ）对角点检测算法进行改进，提出一种基于ＧＰＵ的快速亚像
素Ｈａｒｒｉｓ角点检测算法，该算法利用了ＧＰＵ的并行处理能力和亚像素Ｈａｍｓ角点检测算法的并行性特点。实验结果表明，对于分辨率为
７２０ｘ７２０的２４ ｂｉｔ视频图像，该算法能够实现实时的亚像素级Ｈａｒｒｉｓ角点检测。
关健词：亚像素；角点检测；图形处理器
Ｒｅａ１．ｔｉｍｅ Ｓｕｂ．ｐｉｘｅｌ Ｈａｒｒｉｓ Ｃｏｒｎｅｒ Ｄｅｔｅｃｔｉｏｎ
Ｂａｓｅｄ ０ｎ Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ
ＺＨＵ Ｚｕｎ－ｓｈａｎｇ．ＬＩＵ Ｘｉａｏ－ｌｉｎ
（Ｃｏｌｌｅｇｅ ｏｆ Ｍｅｃｈａｔｒｏｎｉｃｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｕｔｏｍａｔｉｏｎ，Ｎａｔｉｏｎａｌ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｄｅ￣ｎｓｅ Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｓｈａ ４１００７３）
［Ａｂｓｔｒａｃｔ］Ｉｎ ｏｒｄｅｒ ｔｏ ｉｎｃｒｅａｓｅ ｐｒｅｃｉｓｉｏｎ ａｎｄ ｅｆｆｉｃｉｅｎｃｙ ｏｆ Ｈａｒｒｉｓ ｃｏｍｅｒ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ，ｔｈｉｓ ｐａｐｅｒ ｔａｋｅｓ ａｄｖａｎｔａｇｅ ｏｆ ｔｈｅ ｍｏｄｅｍ Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ（ＧＰＵ）ｔｏ ｉｍｐｒｏｖｅ Ｈａｒｒｉｓ ｃｏｍｅｒ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂｙ ｐａｒａｌｌｅｌｉｚｉｎｇ．Ａ ｆａｓｔ ｓｕｂ—ｐｉｘｅｌ Ｈａｒｒｉｓ ｃｏｍｅｒ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｉｓ ｐｒｅｓｅｎｔｅｄ ｂａｓｅｄ ｏｎ ＧＰＵ．Ｔｈｉｓ ｆａｓｔ ａｌｇｏｒｉｔｈｍ ｃｏｍｂｉｎｅｓ ｔｈｅ ｐａｒａｌｌｅｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ＧＰＵ ｗｉｔｈ Ｈａｒｒｉｓ ｃｏｒｎｅｒ ａｌｇｏｒｉｔｈｍ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔ ｓｈｏｗｓ ｔｈａｔ ＧＰＵ
角点检测的原理
角点检测的原理
角点检测是一种计算机视觉领域中常用的图像处理技术，它的原理是通过对图像中的角点进行检测和提取，从而分析和识别图像中的特定目标或结构。
角点是图像中具有显著变化的位置，它们通常位于物体的边缘、交叉处或纹理变化明显的区域。在角点检测中，我们希望找到这些具有显著变化的点，因为它们对于图像的特征描述和目标识别非常重要。
角点检测的原理是基于图像中的灰度变化或梯度变化来判断某个点是否为角点。常用的角点检测算法有Harris角点检测、Shi-Tomasi角点检测等。
Harris角点检测算法是由Chris Harris和Mike Stephens于1988年提出的，它通过计算图像中每个像素点的灰度梯度来确定其是否为角点。该算法首先计算每个像素点的梯度值，然后根据梯度的变化情况来判断该点是否为角点。如果一个点的梯度变化比较大，说明该点可能是角点。
Shi-Tomasi角点检测算法是在Harris角点检测算法的基础上进行改进的。它引入了一个新的评价指标，即最小特征值，来代替Harris算法中的响应函数。该算法通过计算每个像素点的最小特征值来判断其是否为角点。最小特征值越大，说明该点越可能是角点。
除了Harris角点检测和Shi-Tomasi角点检测，还有一些其他的角点检测算法，如FAST角点检测、SIFT角点检测等。这些算法在原理和实现方式上有所不同，但都是基于图像中的灰度变化或梯度变化来检测角点。
角点检测在计算机视觉和图像处理中有着广泛的应用。它可以用于目标识别、图像匹配、图像拼接等领域。通过检测和提取图像中的角点，我们可以得到图像的特征描述，从而实现对图像的分析、识别和处理。
总结起来，角点检测是一种通过对图像中的角点进行检测和提取的图像处理技术。它的原理是基于图像中的灰度变化或梯度变化来判断某个点是否为角点。角点检测在计算机视觉和图像处理中有着广泛的应用，可以用于目标识别、图像匹配、图像拼接等领域。通过对角点的检测和提取，我们可以得到图像的特征描述，从而实现对图像的分析、识别和处理。
基于Harris角点检测的改进算法
０ 引言 基于Ｈａｒｒｉｓ角点检测的改进算法★
陈书智 ． 王未央
（上海海事大学信息工程学院，上海２００１３５）
摘要：Ｈａｒｒｉｓ角点检测算法是图像匹配中使用非常广泛的特征提取算法。针对目前图像处理过程
中尺度不变特征点提取的算法实时性较差，算法计算量比较大的问题，在Ｈａｒｒｉｓ角点检测算
法的基础上提出一种简化的算法思想：邻近像素采用对比的方法，从理论上分析算法的性
能．实验中保证算法性能的ｒ￣ｌ时实时性得到了提高。
关键词：图像匹配；Ｈａｒｒｉｓ算法；实时性；角点检测；尺度不变
在图像中．角点［１－２］是一个重要的局部特征，它决定
了图像中关键区域的形状．体现了图像中重要的特征信
息，所以在目标识别、图像匹配、图像重构方面角点具有
十分重要的意义。图像中角点的数量远比总像素数小．
如果通过角点就能完成一些功能的话．将极大地提高处
理效率。对角点的定义一般分为以下三种：图像边界曲
线上具有极大曲率值的点 ：图像中梯度值和梯度变化
率都很高的点：图像边界方向变化不连续的点。定义不
同．角点的提取方法也不尽相同：一类是基于图像边缘
特征的角点检测．然后再进行角点提取。例如Ｋｉｔｃｈｅｎｔ￣ｇ
法：另一类是基于灰度信息的角点检测及提取，例如
Ｍｏｒａｖｅｃ［￣－Ｊ￥法、ＳＵＳＡＮｒｅ￣法和Ｈａｒｒｉｓ算法［ｓ－］ｏｌ
１ Ｈａｒｒｉｓ角点检测算法
Ｈａ ｓ角点检测算法是南Ｃｈｒｉｓ Ｈａｒｒｉｓ和Ｍｉｋｅ
Ｓｔｅｐｈｅｎｓ在１９８８年提出．该算法是在Ｍｏｒａｖｅｃ算法的
基础上发展起来的 Ｍｏｒａｖｅｃ算法是研究图像中一个局
部窗口在不同方向进行少量的偏移后．考察窗口内图
像亮度值的平均变化。需要考虑下面三种情况：
（１）如果窗１３内区域图像的亮度值恒定．那么所有
不同方向的偏移几乎不发生变化：
（２）如果窗口跨越一条边．那么沿着这条边的偏移
几乎不发生变化．但是与边垂直的偏移会发生很大的 变化： （３）如果窗Ｅｌ包含一个孤立的点或者角点，那么所
基于Harris角点检测的图像旋转测量
基于Harris角点检测的图像旋转测量
蔡胜利;张会清
【摘 要】为实现图像处理的高效性,避免由摄像机旋转而引起的图像旋转为采集的图像产生影响,以至于使后续的图像处理算法失效,提出了一种以Harris角点为核心的,基于Harris角点检测的图像旋转测蟹的方法;首先对原始图像进行Harris角点检测,然后对其进行角点匹配;最后,在各自图像内部进行角点连线,并与对应角点连线的斜率作比较,判断斜率变化,从而判断图像是否发生旋转.%To achieve high
efficiency of image processing, the affecting of the rotation of image
caused by the rotation of video camera,propose a method of
measurement of image rotation based on Harris corner detection. First,
take Harris corner detection on the original image, and then match the
corner, at last, connect each corner within the image and compare the
slope with the corresponding corner, determine the slope of change and
determine weather the image have rotation.
【期刊名称】《计算机测量与控制》
【年(卷),期】2011(019)001
【总页数】3页(P30-32)
【关键词】旋转;Harris;角点;测量;斜率
【作 者】蔡胜利;张会清
【作者单位】北京工业大学,电子信息与控制工程学院,北京,100124;北京工业大学,电子信息与控制工程学院,北京,100124 【正文语种】中 文
医学图像处理中的图像配准方法使用技巧分析
医学图像处理中的图像配准方法使用技巧分析
在医学图像处理中，图像配准是一项非常重要的技术。图像配准可以将不同时间、不同模态或不同患者的图像进行对齐，以便进行比较、分析和提取有用的信息。本文将分析医学图像处理中常用的图像配准方法，并提供一些使用技巧。
1. 直接法配准技术
直接法配准技术是一种基于图像亮度信息的方法。常见的直接法配准技术包括归一化互相关(Normalized Cross-Correlation, NCC)和互信息(Mutual Information, MI)。
NCC是一种简单直接的相似性度量方法，它通过计算两幅图像之间的互相关系数来判断它们的相似度。具体来说，NCC通过将两幅图像分别减去它们的均值并除以它们的标准差，然后计算两幅图像的互相关系数来评估它们的相似度。NCC方法简单快速，适用于配准任务中的大多数情况。 MI则是一种基于图像统计学的方法，它通过计算两幅图像在像素值分布上的相似度来判断它们的相似度。MI方法不仅考虑了图像亮度信息，还考虑了图像的空间关系。MI方法适用于医学图像中的多模态图像配准，具有较好的适应性和准确性。
在使用直接法配准技术时，需要注意以下几个技巧：
- 预处理：在进行图像配准之前，应进行必要的预处理操作，例如去除噪声、平滑图像等。
- 参数选择：直接法配准技术通常需要设置一些参数，如窗口大小、平滑系数等。合理选择参数可以提高配准的准确性和鲁棒性。
- 评估准则：在进行图像配准时，应选择合适的评估准则来评估配准结果的质量。常用的评估准则包括均方误差
(Mean Squared Error, MSE)、结构相似性指数(Structural
Similarity Index, SSIM)等。
2. 特征法配准技术
特征法配准技术是一种基于图像特征的方法。常见的特征法配准技术有角点检测、边缘检测和特征点匹配。 角点检测是通过寻找图像中的角点来进行配准。角点是图像中一些明显的、稳定的、与图像几何变换不敏感的特征点。常用的角点检测算法包括Harris角点检测器、SIFT特征检测器等。
基于图像分块的多尺度Harris角点检测方法
第３１卷第２期 ２０１１年２月 计算机应用
Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ Ｖ０１．３１ Ｎｏ．２ Ｆｅｂ．２０１１
文章编号：１００１—９０８１（２０１１）０２—０３５６—０２ ｄｏｉ：１０．３７２４／ＳＰ．Ｊ．１０８７．２０１ １．００３５６
基于图像分块的多尺度Ｈａｒｒｉｓ角点检测方法
张海燕，李元媛，储晨昀
（合肥工业大学计算机与信息工程系，合肥２３０００９）
（１ｙｙ．１９８６１０１０＠１６３．ｃｏｎ）
摘要：Ｈａｒｒｉｓ角点检测是一种经典的角点检测算法，在现实中应用广泛，但不具有尺度变化特性。为了改变其
单一尺度的特性，使得角点提取更加精确和有效，将多尺度的概念和图像分块方法引入到Ｈａｒｒｉｓ算法中，在多个尺度
下对角点进行提取。将每个尺度上的角点响应值的本地最大值作为该尺度上的候选角点，并同时对图像进行分块；
最后，沿小尺度到大尺度方向判断候选角点是否是真实角点，剔除伪角点，使得角点检测更加精确。通过对比实验，新
算法明显地提高了图像角点的检测性能。
关键词：Ｈａｒｒｉｓ算法；多尺度；图像分块；检测性能；准确度
中图分类号：ＴＰ３９１．４１ 文献标志码：Ａ
Ｍｕｌｔｉ－ｓｃａｌｅ Ｈａｒｒｉｓ ｃｏｒｎｅｒ ｄｅｔｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｉｍａｇｅ ｂｌｏｃｋ
ＺＨＡＮＧ Ｈａｉ—ｙａｎ，ＬＩ Ｙｕａｎ—ｙｕａｎ，ＣＨＵ Ｃｈｅｎ—ｙｕｎ
（Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈｅｆｅｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｈｅｆｅｉ Ａｎｈｕｉ ２３０００９，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｈａｒｒｉｓ ｃｏｒｎｅｒ ｄｅｔｅｃｔｉｏｎ ｉｓ ａ ｃｌａｓｓｉｃａｌ ａｌｇｏｒｉｔｈｍ ａｎｄ ｉｓ ｗｉｄｅｌｙ ｕｓｅｄ ｎｏｗａｄａｙｓ，ｂｕｔ ｉｔ ｄｏｅｓ ｎｏｔ ｈａｖｅ ｔｈｅ ｉｎｖａｒｉａｎｔ
数字图像处理角点实验报告北信科
实 验 报 告
课程名称 数字图像处理
实验项目 实验一 视觉角点特征提取
实验仪器 硬件：计算机
应用软件：MATLAB
系 别 仪器科学与光电工程学院
专 业 测控技术与仪器
班级/学号 测控1001
学生姓名
实验日期 2012.12
成 绩
指导教师
视觉角点特征提取
一、 设计内容及步骤
1. 熟悉Matlab图像处理的基本函数。
查阅数字图像处理教材和资料，了解基本的图像处理方法；对照Matlab相关教程，熟悉常用图像处理函数。
2. 角点特征提取
视觉测量采集的标定板图像见图二（文件名：L0.bmp），图像中的角点是要提取的目标。
图1 视觉测量标定板采集图
（1） 图像预处理
主要包括彩色到灰度图像转换，边缘提取、二值化等，根据需要选择。
（2） 角点检测
确定图像中正方向目标特征角点的坐标。
常用方法是Harris角点检测算法。参考“机器视觉中的图像特征提取.ppt”。
二、 实验结果
1. 算法设计说明。
1) Harris 角点提取算法。
① X方向梯度算子为[-2 -1 0 1 2]梯度算子为[-2;-1;0;1;2]时滤波。
② X方向梯度算子为[5 0 -5;8 0 -8;5 0 -5] Y方向梯度算子为[5 8 5;0
达芬奇边角定位
达芬奇边角定位
达芬奇边角定位（Corner Localization）是一种计算机视觉中的图像处理技术，用于精确定位图像中的角点。角点是图像中两条边交汇的位置，具有明显的边缘变化。达芬奇边角定位技术的应用范围广泛，包括图像拼接、目标检测、运动跟踪等领域。
一、角点检测的意义
在图像中，角点是一种重要的特征点，具有以下几个特点：
1. 角点是图像中边缘变化最为明显的位置，可以用来标识物体的边界；
2. 角点在不同尺度下具有不变性，对图像缩放和旋转具有较好的鲁棒性；
3. 角点是稀疏的，相比于图像中的其他像素点，角点的数量相对较少，因此可以用来进行特征匹配和跟踪。
二、达芬奇边角定位算法原理
达芬奇边角定位算法的基本原理是通过检测图像中的边缘，并计算边缘的方向和梯度。根据边缘的方向和梯度，可以判断该点是否为角点。
1. 边缘检测
需要对图像进行边缘检测。常用的边缘检测算法有Sobel算子、Canny算子等。这些算法可以提取图像中的边缘信息，并计算边缘的方向和梯度。
2. 梯度计算
在边缘检测之后，需要计算每个像素点的梯度。梯度表示图像中像素值的变化程度，可以用来判断边缘的强度和方向。常用的梯度计算方法有Sobel算子和拉普拉斯算子等。
3. 角度计算
在计算梯度之后，可以根据梯度的方向计算角度。角度表示边缘的方向，可以用来判断该点是否为角点。常用的角度计算方法是使用反正切函数。
4. 角点判断
通过计算边缘的方向和梯度，可以判断该点是否为角点。一般来说，如果该点的梯度大于一定阈值，并且在其周围的邻域内没有其他边缘点，则可以认定该点为角点。
三、达芬奇边角定位的应用
达芬奇边角定位技术在计算机视觉中有着广泛的应用。以下是一些典型的应用场景：
1. 图像拼接
在图像拼接中，达芬奇边角定位可以用来确定重叠区域的角点，从而实现图像的自动对齐和融合。通过检测角点，可以准确地找到两幅图像之间的对应点，进而实现图像的拼接。
基于多尺度Harris角点的图像文字检测
２０１２年９月 第３３卷第９期 计算机工程与设计
ＣＯＭＰＵＴＥＲ ＥＮＧＩＮＥＥＲＩＮＧ ＡＮＤ ＤＥＳＩＧＮ Ｓｅｐｔ．２０１２ Ｖ０１．３３ Ｎｏ．９
基于多尺度Ｈａｒｒｉｓ角点的图像文字检测
杜振龙，杨凡，李晓丽，沈钢纲
（南京工业大学电子与信息工程学院，江苏南京２１０００９）
摘要：为解决传统的基于Ｈａｒｒｉｓ角点的图像文字检测算法易受非文字角点干扰，检测准确率低的问题，提出一种基于多
尺度Ｈａｒｒｉｓ图像文字检测算法。该算法在多个尺度下提取角点，并利用分块方法分析文字局部特征，有效剔除了非文字角
点。使用多次迭代逐步剔除非文字区域角点，精确提取备选块中的文字角点；通过区域融合形成文字区域，用轮廓跟踪法
标识文字区域。实验结果表明，该算法明显提高了图像／视频文字检测的稳定性和准确率。
关键词：多尺度；角点检测；文字特征；文字检测；轮廓跟踪
中图法分类号：ＴＰ３９１．４ 文献标识号：Ａ 文章编号：１０００—７０２４（２０１２）０９—３５２２—０４
Ｉｍａｇｅ ｃｈａｒａｃｔｅｒｓ ｄｅｔｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｍｕｌｔｉｓｃａｌｅ Ｈａｒｒｉｓ ｃｏｒｎｅｒ
ＤＵ Ｚｈｅｎ－ｌｏｎｇ，ＹＡＮＧ Ｆａｎ，ＬＩ Ｘｉａｏ—ｌｉ，ＳＨＥＮ Ｇａｎｇ－ｇａｎｇ
（Ｃｏｌｌｅｇｅ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ ２１０００９，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｏ ｄｅａｌ ｗｉｔｈ ｔｈｅ ｃｏｎｖｅｎｔｉｏｎａｌ ｃｈａｒａｃｔｅｒ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄ ｕｐｏｎ Ｈａｒｒｉｓ ｃｏｒｎｅｒ ｄｅｔｅｃｔｉｏｎ ｉｓ ｅａｓｉｌｙ ｅｆｆｅｃｔｅｄ ｂｙ ｎｏｎ－ｃｈａｒａｃ
ｔｅｒ ｃｏｒｎｅｒｓ．Ａ ｎｏｖｅｌ ａｐｐｒｏａｃｈ ｏｆ ｉｍａｇｅ／ｖｉｄｅｏ ｃｈａｒａｃｔｅｒ ｄｅｔｅｃｔｉｏｎ ｉｓ ｐｒｅｓｅｎｔｅｄ，ｗｈｉｃｈ ｅｘｔｒａｃｔｓ ｃｈａｒａｃｔｅｒ ｃｏｒｎｅｒ ｂｙ ｍｕｌｔｉｓｃａｌｅ
harris角点检测算法步骤
harris角点检测算法步骤
Harris角点检测算法步骤：
一、引言
Harris角点检测算法是计算机视觉中常用的角点检测算法之一。它通过分析图像的局部灰度变化来寻找图像中的角点，被广泛应用于图像处理、物体识别、图像匹配等领域。本文将介绍Harris角点检测算法的步骤及其原理。
二、灰度处理
Harris角点检测算法首先需要将彩色图像转换为灰度图像，这是因为角点检测主要关注图像的灰度变化而非颜色信息。通过将彩色图像的每个像素的RGB值加权平均，可以得到相应的灰度值。
三、计算梯度
接下来，对灰度图像进行梯度计算。梯度表示图像中的灰度变化，是图像中像素灰度值变化最快的方向。通过对图像使用Sobel算子或其他梯度计算算法，可以计算出每个像素的梯度幅值和方向。
四、计算结构张量
在Harris角点检测算法中，结构张量是一个重要的概念。对于每个像素点，结构张量是一个2x2的矩阵，它描述了该像素点周围区域的灰度变化情况。结构张量的计算公式包括对梯度幅值的平方、梯度幅值的乘积以及梯度方向的加权。
五、计算角点响应函数
角点响应函数是Harris角点检测算法的核心。它通过对结构张量进行特征值分解，得到每个像素点的角点响应值。角点响应值的计算公式是通过特征值的乘积减去特征值的和，再乘以一个经验系数。如果特征值的乘积较大，说明该像素点是角点。
六、非极大值抑制
由于角点响应函数在角点处达到最大值，但在边缘和平坦区域也可能有较大值，为了提取出准确的角点，需要进行非极大值抑制。在非极大值抑制过程中，对于每个像素点，比较其角点响应值与周围像素点的角点响应值，如果大于周围像素点的角点响应值，则保留，否则抑制。
七、阈值处理
为了进一步提取出准确的角点，可以根据角点响应值设置一个阈值。只有角点响应值大于阈值的像素点才被认为是角点。阈值的选择是一个关键问题，需要根据具体应用场景和图像特点进行调整。
八、角点标记
最后一步是将检测到的角点在原始图像上进行标记。可以通过在角点处绘制一个小圆点或者在角点周围绘制一个小方框来标记。