Harris角点特征提取和特征匹配（后半部分）

前半部分点击以下链接：

/QWER306306/article/details/123510826

本文采用Harris角点的方法来进行特征提取和特征匹配两大部分：

1.Harris角点特征提取：分为函数法和机理法（手工复现法）

2.Harris角点特征匹配：先让两张图片进行特征提取，再将图一和图二的每一个点进行做相关运算，若两张图角点的相关度都是最大的，则将两张图的角点相匹配。

提示：以下程序是顺序的，要一一复制进行运行，目录需要自己更改，部分参数针对不同的图片，也要做出相应的改变

目录

Harris角点特征提取和特征匹配（后半部分）Part2. Harris角点特征匹配第一步：提取两张图片的角点第二步：返回角点的坐标值和角点周围的像素值第三步：比较两张图片角点相互之间的相关性第四步：改进第五步：连接最终相关度大于一定值的角点主函数

---

Part2. Harris角点特征匹配

目的：将两张不同角度的图片特征一样的地方匹配起来

先根据上述的角点特征提取方法，求得两张图片的角点（大于设定阈值的点）返回角点的坐标值返回两张图片角点附件点的像素值根据两张图角点周围的像素点，比较两张图片角点相互之间的相关性，在图二中，找出与图一各点相关度最大的点的位置改进：在图一中，找出与图二各点相关度最大的点的位置，然后和上面的方法进行加权，若两次匹配的相关度都大于一定值才会匹配

第一步：提取两张图片的角点

img_c1=cv2.imread('D:/classofmathpicture/house1.png',0)img_c1_CC=cv2.imread('D:/classofmathpicture/house1.png',1)img_c1_CC=cv2.cvtColor(img_c1_CC,cv2.COLOR_BGR2RGB)Harris_c1 = cv2.cornerHarris(img_c1, 3, 3, 0.04)dst_c1 = cv2.dilate(Harris_c1, None) #将可以标出来的点粗化plt.figure(figsize=(20, 20));img_c1_C=img_c1_CC.copy()thres = 0.1*dst_c1.max()img_c1_C[dst_c1 > thres] = [255,0,0]plt.subplot(121);plt.imshow(img_c1_C);plt.title('c1');plt.axis('off');img_c2=cv2.imread('D:/classofmathpicture/house1_c.png',0)img_c2_CC=cv2.imread('D:/classofmathpicture/house1_c.png',1)img_c2= cv2.resize(img_c2, (int(img_c1.shape[1]), int(img_c1.shape[0])))img_c2_CC = cv2.resize(img_c2_CC, (int(img_c1_CC.shape[1]), int(img_c1_CC.shape[0])))img_c2_CC=cv2.cvtColor(img_c2_CC,cv2.COLOR_BGR2RGB)# img_house_C_fuction=img_house_C.copy()Harris_c2 = cv2.cornerHarris(img_c2, 3, 3, 0.04)dst_c2 = cv2.dilate(Harris_c2, None) #将可以标出来的点粗化img_c2_C=img_c2_CC.copy()thres = 0.05*dst_c2.max()img_c2_C[dst_c2 > thres] = [255,0,0]plt.subplot(122);plt.imshow(img_c2_C);plt.title('c2');plt.axis('off');

第二步：返回角点的坐标值和角点周围的像素值

# 从一幅Harris响应图像中返回角点，min_dist为分割角点和图像边界的最少像素数目def get_harris_points(harrisim,min_dist=10,threshold=0.1): # 寻找高于阈值的候选角点corner_threshold = harrisim.max() * thresholdharrisim_t = (harrisim > corner_threshold) * 1 # 得到候选点的坐标coords = array(harrisim_t.nonzero()).T # 以及它们的 Harris 响应值candidate_values = [harrisim[c[0],c[1]] for c in coords] # 对候选点按照 Harris 响应值进行排序index = argsort(candidate_values)[::-1] # 将可行点的位置保存到数组中allowed_locations = zeros(harrisim.shape)allowed_locations[min_dist:-min_dist,min_dist:-min_dist] = 1 # 按照 min_distance 原则，选择最佳 Harris 点filtered_coords = []for i in index:if allowed_locations[coords[i,0],coords[i,1]] == 1:filtered_coords.append(coords[i])allowed_locations[(coords[i,0]-min_dist):(coords[i,0]+min_dist), (coords[i,1]-min_dist):(coords[i,1]+min_dist)] = 0 return filtered_coords#对于每个返回的点，返回点周围2*wid+1个像素的值（假设选取点的min_distance > wid）def get_descriptors(image, filtered_coords, wid=5):desc = []for coords in filtered_coords:patch = image[coords[0] - wid:coords[0] + wid + 1,coords[1] - wid:coords[1] + wid + 1].flatten()desc.append(patch)return desc

第三步：比较两张图片角点相互之间的相关性

根据两张图角点周围的像素点，比较两张图片角点相互之间的相关性，在图二中，找出与图一各点相关度最大的点的位置

#对于第一幅图像中的每个角点描述子，使用归一化互相关，选取它在第二幅图像中的匹配角点def match(desc1, desc2, threshold=0.5):n = len(desc1[0])# 点对的距离d = -ones((len(desc1), len(desc2)))for i in range(len(desc1)):for j in range(len(desc2)):d1 = (desc1[i] - mean(desc1[i])) / std(desc1[i])d2 = (desc2[j] - mean(desc2[j])) / std(desc2[j])ncc_value = sum(d1 * d2) / (n - 1)if ncc_value > threshold:d[i, j] = ncc_valuendx = argsort(-d) #从大0到小排序matchscores = ndx[:, 0] #最大一个数的位置坐标return matchscores

第四步：改进

改进：在图一中，找出与图二各点相关度最大的点的位置，然后和上面的方法进行加权，若两次匹配的相关度都大于一定值才会匹配

#两边对称版本的match（）def match_twosided(desc1, desc2, threshold=0.5):matches_12 = match(desc1, desc2, threshold)matches_21 = match(desc2, desc1, threshold)ndx_12 = where(matches_12 >= 0)[0]# 去除非对称的匹配for n in ndx_12:if matches_21[matches_12[n]] != n:matches_12[n] = -1return matches_12

第五步：连接最终相关度大于一定值的角点

#返回将两幅图像并排拼接成的一幅新图像def appendimages(im1, im2):row1 = im1.shape[0]row2 = im2.shape[0]if row1 < row2:im1 = concatenate((im1, zeros((row2 - row1, im1.shape[1]))), axis=0)elif row1 > row2:im2 = concatenate((im2, zeros((row1 - row2, im2.shape[1]))), axis=0)return concatenate((im1, im2), axis=1)#显示一幅带有连接匹配之间连线的图片#输入：im1，im2（数组图像），locs1，locs2（特征位置），matchscores（match的输出），def plot_matches(im1, im2, locs1, locs2, matchscores):im3 = appendimages(im1, im2)imshow(im3)cols1 = im1.shape[1]for i, m in enumerate(matchscores):if m > 0:plot([locs1[i][1], locs2[m][1] + cols1], [locs1[i][0], locs2[m][0]], 'c')axis('off')

主函数

from pylab import *from numpy import *wid=9 #比较像素点数目filtered_coords1 = get_harris_points(dst_c1, wid+1,0.1) #图1大于阈值的坐标filtered_coords2 = get_harris_points(dst_c2, wid+1,0.1) #图2大于阈值的坐标d1 = get_descriptors(img_c1_CC, filtered_coords1, wid)d2 = get_descriptors(img_c2_CC, filtered_coords2, wid)matches = match_twosided(d1, d2,0.8) #图1的阈值点与图二哪个阈值点相关度最高，输出与图一相关性最大点的坐标plt.figure(figsize=(30, 20));plot_matches(img_c1_CC, img_c2_CC,filtered_coords1, filtered_coords2, matches)

plt.figure(figsize=(20, 30));for i in range(4):matches = match_twosided(d1, d2,0.6+0.1*i)plt.subplot(4,1,i+1);plot_matches(img_c1_CC, img_c2_CC,filtered_coords1, filtered_coords2, matches);plt.title('thres= %1.1f'%(0.6+0.1*i));

plt.figure(figsize=(20, 30));for i in range(4):wid=5+2*i #比较像素点数目filtered_coords1 = get_harris_points(dst_c1, wid+1) #图1大于阈值的坐标filtered_coords2 = get_harris_points(dst_c2, wid+1) #图2大于阈值的坐标d1 = get_descriptors(img_c1_CC, filtered_coords1, wid)d2 = get_descriptors(img_c2_CC, filtered_coords2, wid)matches = match_twosided(d1, d2,0.7)plt.subplot(4,1,i+1);plot_matches(img_c1_CC, img_c2_CC,filtered_coords1, filtered_coords2, matches);plt.title('num= %1.1f'%(1+2*i));