OpenCV(三十九)：Harris角点检测

Harris 角点检测简介

Harris 角点检测（Harris Corner Detector）是计算机视觉中经典的特征点检测算法，由 Chris Harris 和 Mike Stephens 在 1988 年提出。它用于从图像中找到"角点"（Corner），也称为兴趣点（Interest Point），这些点通常是图像中梯度变化最大的区域，对图像匹配、跟踪、三维重建和 SLAM 等任务非常重要。

角点的典型特征是：横向、纵向方向上都有强烈梯度变化。例如，建筑物的窗角、棋盘格的交点、物体边缘的转折点等。

Harris 检测器的优点：

不受图像旋转影响（旋转不变）
稳定性较好
计算量比 SIFT/SURF 小，适合实时场景
在噪声不大、光照稳定的情况下效果优秀

缺点：

不具有尺度不变性（大小变化检测不稳）
对噪声敏感
角点响应值需要阈值判断

角点的基本思想：灰度变化矩阵

Harris 算法的核心思想来自 图像灰度变化矩阵（Structure Tensor）。

对于图像中任意一个小窗口，Harris 算法会衡量"窗口在各个方向上的移动会让灰度变化多大"。如果向任意方向移动都会造成显著变化，这个点就是角点。

数学思想如下：

给定图像 I(x, y)，考虑其在小范围内的移动：

其中：

(u, v) 是窗口移动偏移量
w 是窗口权值函数（一般为高斯核）
E(u,v) 描述移动后引起的灰度变化

经过泰勒展开并保留一阶项，可得：

代入后得到：

其中：

矩阵 M 就是 结构张量，反映局部区域的梯度分布。

Harris 响应函数 R

Harris 定义角点响应值：

其中：

det(M) = λ1·λ2
trace(M) = λ1 + λ2
λ1、λ2 是 M 的特征值
k 为经验参数（常取 0.04~0.06）

特征值对应的意义：

λ1 和 λ2 都大 → 角点
λ1 大 λ2 小 → 边缘
λ1 和 λ2 都小 → 平坦区域

因此 R 的意义如下：

R > 0 → 角点
R < 0 → 边缘
R ≈ 0 → 平坦区域

OpenCV 会对 R 图进行阈值处理，找出显著角点。

Harris 角点检测流程

读入图像并转灰度
求图像梯度 Ix、Iy
构造结构张量 M
根据公式计算 R
通过阈值选出显著角点
用圆点或颜色标记角点位置

OpenCV 的 Harris API

OpenCV 提供的函数：

python 复制代码

cv2.cornerHarris(src, blockSize, ksize, k)

参数解释：

参数	含义
src	输入灰度图（float32）
blockSize	计算结构张量 M 的窗口大小
ksize	Sobel 导数核大小（一般 = 3）
k	Harris 常数（0.04~0.06）

示例

python 复制代码

import cv2
import numpy as np

# 读取图像
img = cv2.imread("test.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 转 float32 ------ Harris 要求
gray = np.float32(gray)

# Harris 角点检测
harris = cv2.cornerHarris(
    gray,
    blockSize=2,   # 窗口大小
    ksize=3,       # Sobel算子
    k=0.04         # Harris参数
)

# 对结果膨胀处理，便于显示
harris = cv2.dilate(harris, None)

# 阈值显示角点
threshold = 0.01 * harris.max()

# 标记角点位置为红色
result = img.copy()
result[harris > threshold] = [0, 0, 255]

# ------------------------------
# 调整显示尺寸，适应电脑屏幕
# ------------------------------

def resize_for_display(img, max_width=800, max_height=600):
    h, w = img.shape[:2]
    scale_w = max_width / w
    scale_h = max_height / h
    scale = min(scale_w, scale_h, 1.0)  # 不放大，只缩小
    new_w, new_h = int(w*scale), int(h*scale)
    resized = cv2.resize(img, (new_w, new_h))
    return resized

harris_disp = resize_for_display(harris)
result_disp = resize_for_display(result)

# 创建可伸缩窗口
cv2.namedWindow("Harris Response", cv2.WINDOW_NORMAL)
cv2.namedWindow("Corners", cv2.WINDOW_NORMAL)

cv2.imshow("Harris Response", harris_disp)
cv2.imshow("Corners", result_disp)
cv2.waitKey(0)
cv2.destroyAllWindows()

执行效果：

参数调节建议

blockSize（常用 2~4）
- 小值：对小角点敏感，但容易受噪声干扰
- 大值：检测更稳定，但可能漏检
ksize（常用 3）

越大越平滑，越不敏感。

k（常用 0.04~0.06）

调节角点响应力度：

小 k（0.04）：角点较多
大 k（0.06）：角点更严格

Harris 角点的优势与局限

优势

计算简单，适合实时应用
对图像旋转不敏感
角点定位准确
适合特征匹配和跟踪任务（如 Lucas-Kanade 光流）

局限

不具备尺度不变性（放大后的图像角点无法检测）
对噪声敏感，通常需要高斯模糊
对遮挡和光照变化敏感
无法描述角点（不能用于匹配，只能用于检测）

总结

Harris 角点检测是一种经典而高效的局部特征检测方法，尽管它缺乏尺度不变性，但仍然广泛应用于棋盘格标定、目标跟踪、图像配准等任务中。