角点检测代码

harris角点检测代码
热门讨论 2013-10-13 17:10:11
附带两种harris角点检测代码，都可以使用matlab正常运行。第一种经典harris角点检测可以显示角点坐标，角点数量，运行时间。第二种harris是在第一种之上进行改进的代码，坐标可以显示到亚像素级别。两种代码都有很...
收起
Susan角点检测代码
热门讨论 2008-12-25 09:39:23
数字图像处理Susan算法代码用于角点检测 边缘检测 c文件编写
收起
SUSAN 角点检测 matlab代码
热门讨论 2014-12-17 21:12:44
SUSAN 角点检测 matlab代码. 主代码是testSusan.m. 若读入图像格式不对，请自行修改
收起
角点检测matlab代码
热门讨论 2009-07-03 09:08:30
用于图像角点检测，基本的harris检测算法。
收起
Moravec角点检测算法代码
热门讨论 2012-11-14 17:15:26
代码可用
收起

详解Harris角点检测及代码实现

万次阅读 多人点赞 2016-04-02 12:03:24

1. 首先，我们不禁要问什么是harris角点？对于角点，到目前为止还没有明确的数学定义。...一般的角点检测都是对有具体定义的、或者是能够具体检测出来的兴趣点的检测。这意味着兴趣点可以是角点，是

转自：http://blog.csdn.net/dandan_397/article/details/42110719




1. 首先，我们不禁要问什么是harris角点？

       对于角点，到目前为止还没有明确的数学定义。但是你可以认为角点就是极值点，即在某方面属性特别突出的点。一般的角点检测都是对有具体定义的、或者是能够具体检测出来的兴趣点的检测。这意味着兴趣点可以是角点，是在某些属性上强度最大或者最小的孤立点、线段的终点，或者是曲线上局部曲率最大的点。


       通俗的来说，在一副图像中，我们可以认为角点是物体轮廓线的连接点（见图1），当拍摄视角变化的时候，这些特征点仍能很好地保持稳定的属性。

                                                 


                                                                 图1  corner

       角点在保留图像图形重要特征的同时，可以有效地减少信息的数据量，使其信息的含量很高，有效地提高了计算的速度，有利于图像的可靠匹配，使得实时处理成为可能。它的各种应用，这里我就不再赘述了。


2. 如何检测出harris角点？

                                 

                                                         图2  角点检测的基本思想

       角点检测最原始的想法就是取某个像素的一个邻域窗口，当这个窗口在各个方向上进行小范围移动时，观察窗口内平均的像素灰度值的变化（即，E(u,v)，Window-averaged change of intensity）。从上图可知，我们可以将一幅图像大致分为三个区域（‘flat’，‘edge’，‘corner’），这三个区域变化是不一样的。

                       


      其中，u,v是窗口在水平，竖直方向的偏移，

                     

      这里可以先简单复习一下泰勒级数展开的知识，因为马上就用到啦，




            


这是一维的情况，对于多元函数，也有类似的泰勒公式。

       对I(x+u,y+v)进行二维泰勒级数展开，我们取一阶近似，有

                                    


        图中蓝线圈出的部分我们称之为结构张量（structure tensor），用M表示。

        讲到这里，先明确一点，我们的目的是什么？我们的目的是寻找这样的像素点，它使得我们的u，v无论怎样取值，E(u,v)都是变化比较大的，这个像素点就是我们要找的角点。不难观察，上式近似处理后的E(u,v)是一个二次型，而由下述定理可知，

                            


        令E(u,v)=常数，我们可用一个椭圆来描绘这一函数。

                                                


         椭圆的长短轴是与结构张量M的两个特征值相对应的量。通过判断的情况我们就可以区分出‘flat’，‘edge’，‘corner’这三种区域，因为最直观的印象：



corner：在水平、竖直两个方向上变化均较大的点，即Ix、Iy都较大； 
 edge ：仅在水平、或者仅在竖直方向有较大的点，即Ix和Iy只有其一较大 ；
  flat   ： 在水平、竖直方向的变化量均较小的点，即Ix、Iy都较小；

       而结构张量M是由Ix，Iy构成，它的特征值正好可以反映Ix，Iy的情况，下面我以一种更容易理解的方式来讲述椭圆的物理意义。

                          


                         


                         


         这样是不是更清楚了呢^_^......，因此我们可以得出结论：

                        


         当然，大牛们并没有止步于此，这样通过判断两个变量的值来判断角点毕竟不是很方便。于是他们想出了一种更好的方法，对，就是定义角点响应函数R（corner response function），

                                            


      针对三种区域，R的取值如何呢？

                        


            至此，我们就可以通过判断R的值来判断某个点是不是角点了。

3. harris角点检测算法步骤

               


        值得注意的是，在实际情况中，用来判断R的阈值依赖于实际图像的尺寸、纹理等因素，由于其不具有直观的物理意义，它的取值很难确定。通常我们采用间接的方法来判断R：通过选择图像中R值最大的前n个像素点作为特征点，再对提取到的特征点进行K*K邻域的非极大抑制处理就可以了。

4. Matlab 代码实现








<a target=_blank id="L1" href="http://blog.csdn.net/dandan_397/article/details/42110719#L1" rel="#L1" style="color: rgb(102, 102, 102); text-decoration: none;">  1</a>
<a target=_blank id="L2" href="http://blog.csdn.net/dandan_397/article/details/42110719#L2" rel="#L2" style="color: rgb(102, 102, 102); text-decoration: none;">  2</a>
<a target=_blank id="L3" href="http://blog.csdn.net/dandan_397/article/details/42110719#L3" rel="#L3" style="color: rgb(102, 102, 102); text-decoration: none;">  3</a>
<a target=_blank id="L4" href="http://blog.csdn.net/dandan_397/article/details/42110719#L4" rel="#L4" style="color: rgb(102, 102, 102); text-decoration: none;">  4</a>
<a target=_blank id="L5" href="http://blog.csdn.net/dandan_397/article/details/42110719#L5" rel="#L5" style="color: rgb(102, 102, 102); text-decoration: none;">  5</a>
<a target=_blank id="L6" href="http://blog.csdn.net/dandan_397/article/details/42110719#L6" rel="#L6" style="color: rgb(102, 102, 102); text-decoration: none;">  6</a>
<a target=_blank id="L7" href="http://blog.csdn.net/dandan_397/article/details/42110719#L7" rel="#L7" style="color: rgb(102, 102, 102); text-decoration: none;">  7</a>
<a target=_blank id="L8" href="http://blog.csdn.net/dandan_397/article/details/42110719#L8" rel="#L8" style="color: rgb(102, 102, 102); text-decoration: none;">  8</a>
<a target=_blank id="L9" href="http://blog.csdn.net/dandan_397/article/details/42110719#L9" rel="#L9" style="color: rgb(102, 102, 102); text-decoration: none;">  9</a>
<a target=_blank id="L10" href="http://blog.csdn.net/dandan_397/article/details/42110719#L10" rel="#L10" style="color: rgb(102, 102, 102); text-decoration: none;"> 10</a>
<a target=_blank id="L11" href="http://blog.csdn.net/dandan_397/article/details/42110719#L11" rel="#L11" style="color: rgb(102, 102, 102); text-decoration: none;"> 11</a>
<a target=_blank id="L12" href="http://blog.csdn.net/dandan_397/article/details/42110719#L12" rel="#L12" style="color: rgb(102, 102, 102); text-decoration: none;"> 12</a>
<a target=_blank id="L13" href="http://blog.csdn.net/dandan_397/article/details/42110719#L13" rel="#L13" style="color: rgb(102, 102, 102); text-decoration: none;"> 13</a>
<a target=_blank id="L14" href="http://blog.csdn.net/dandan_397/article/details/42110719#L14" rel="#L14" style="color: rgb(102, 102, 102); text-decoration: none;"> 14</a>
<a target=_blank id="L15" href="http://blog.csdn.net/dandan_397/article/details/42110719#L15" rel="#L15" style="color: rgb(102, 102, 102); text-decoration: none;"> 15</a>
<a target=_blank id="L16" href="http://blog.csdn.net/dandan_397/article/details/42110719#L16" rel="#L16" style="color: rgb(102, 102, 102); text-decoration: none;"> 16</a>
<a target=_blank id="L17" href="http://blog.csdn.net/dandan_397/article/details/42110719#L17" rel="#L17" style="color: rgb(102, 102, 102); text-decoration: none;"> 17</a>
<a target=_blank id="L18" href="http://blog.csdn.net/dandan_397/article/details/42110719#L18" rel="#L18" style="color: rgb(102, 102, 102); text-decoration: none;"> 18</a>
<a target=_blank id="L19" href="http://blog.csdn.net/dandan_397/article/details/42110719#L19" rel="#L19" style="color: rgb(102, 102, 102); text-decoration: none;"> 19</a>
<a target=_blank id="L20" href="http://blog.csdn.net/dandan_397/article/details/42110719#L20" rel="#L20" style="color: rgb(102, 102, 102); text-decoration: none;"> 20</a>
<a target=_blank id="L21" href="http://blog.csdn.net/dandan_397/article/details/42110719#L21" rel="#L21" style="color: rgb(102, 102, 102); text-decoration: none;"> 21</a>
<a target=_blank id="L22" href="http://blog.csdn.net/dandan_397/article/details/42110719#L22" rel="#L22" style="color: rgb(102, 102, 102); text-decoration: none;"> 22</a>
<a target=_blank id="L23" href="http://blog.csdn.net/dandan_397/article/details/42110719#L23" rel="#L23" style="color: rgb(102, 102, 102); text-decoration: none;"> 23</a>
<a target=_blank id="L24" href="http://blog.csdn.net/dandan_397/article/details/42110719#L24" rel="#L24" style="color: rgb(102, 102, 102); text-decoration: none;"> 24</a>
<a target=_blank id="L25" href="http://blog.csdn.net/dandan_397/article/details/42110719#L25" rel="#L25" style="color: rgb(102, 102, 102); text-decoration: none;"> 25</a>
<a target=_blank id="L26" href="http://blog.csdn.net/dandan_397/article/details/42110719#L26" rel="#L26" style="color: rgb(102, 102, 102); text-decoration: none;"> 26</a>
<a target=_blank id="L27" href="http://blog.csdn.net/dandan_397/article/details/42110719#L27" rel="#L27" style="color: rgb(102, 102, 102); text-decoration: none;"> 27</a>
<a target=_blank id="L28" href="http://blog.csdn.net/dandan_397/article/details/42110719#L28" rel="#L28" style="color: rgb(102, 102, 102); text-decoration: none;"> 28</a>
<a target=_blank id="L29" href="http://blog.csdn.net/dandan_397/article/details/42110719#L29" rel="#L29" style="color: rgb(102, 102, 102); text-decoration: none;"> 29</a>
<a target=_blank id="L30" href="http://blog.csdn.net/dandan_397/article/details/42110719#L30" rel="#L30" style="color: rgb(102, 102, 102); text-decoration: none;"> 30</a>
<a target=_blank id="L31" href="http://blog.csdn.net/dandan_397/article/details/42110719#L31" rel="#L31" style="color: rgb(102, 102, 102); text-decoration: none;"> 31</a>
<a target=_blank id="L32" href="http://blog.csdn.net/dandan_397/article/details/42110719#L32" rel="#L32" style="color: rgb(102, 102, 102); text-decoration: none;"> 32</a>
<a target=_blank id="L33" href="http://blog.csdn.net/dandan_397/article/details/42110719#L33" rel="#L33" style="color: rgb(102, 102, 102); text-decoration: none;"> 33</a>
<a target=_blank id="L34" href="http://blog.csdn.net/dandan_397/article/details/42110719#L34" rel="#L34" style="color: rgb(102, 102, 102); text-decoration: none;"> 34</a>
<a target=_blank id="L35" href="http://blog.csdn.net/dandan_397/article/details/42110719#L35" rel="#L35" style="color: rgb(102, 102, 102); text-decoration: none;"> 35</a>
<a target=_blank id="L36" href="http://blog.csdn.net/dandan_397/article/details/42110719#L36" rel="#L36" style="color: rgb(102, 102, 102); text-decoration: none;"> 36</a>
<a target=_blank id="L37" href="http://blog.csdn.net/dandan_397/article/details/42110719#L37" rel="#L37" style="color: rgb(102, 102, 102); text-decoration: none;"> 37</a>
<a target=_blank id="L38" href="http://blog.csdn.net/dandan_397/article/details/42110719#L38" rel="#L38" style="color: rgb(102, 102, 102); text-decoration: none;"> 38</a>
<a target=_blank id="L39" href="http://blog.csdn.net/dandan_397/article/details/42110719#L39" rel="#L39" style="color: rgb(102, 102, 102); text-decoration: none;"> 39</a>
<a target=_blank id="L40" href="http://blog.csdn.net/dandan_397/article/details/42110719#L40" rel="#L40" style="color: rgb(102, 102, 102); text-decoration: none;"> 40</a>
<a target=_blank id="L41" href="http://blog.csdn.net/dandan_397/article/details/42110719#L41" rel="#L41" style="color: rgb(102, 102, 102); text-decoration: none;"> 41</a>
<a target=_blank id="L42" href="http://blog.csdn.net/dandan_397/article/details/42110719#L42" rel="#L42" style="color: rgb(102, 102, 102); text-decoration: none;"> 42</a>
<a target=_blank id="L43" href="http://blog.csdn.net/dandan_397/article/details/42110719#L43" rel="#L43" style="color: rgb(102, 102, 102); text-decoration: none;"> 43</a>
<a target=_blank id="L44" href="http://blog.csdn.net/dandan_397/article/details/42110719#L44" rel="#L44" style="color: rgb(102, 102, 102); text-decoration: none;"> 44</a>
<a target=_blank id="L45" href="http://blog.csdn.net/dandan_397/article/details/42110719#L45" rel="#L45" style="color: rgb(102, 102, 102); text-decoration: none;"> 45</a>
<a target=_blank id="L46" href="http://blog.csdn.net/dandan_397/article/details/42110719#L46" rel="#L46" style="color: rgb(102, 102, 102); text-decoration: none;"> 46</a>
<a target=_blank id="L47" href="http://blog.csdn.net/dandan_397/article/details/42110719#L47" rel="#L47" style="color: rgb(102, 102, 102); text-decoration: none;"> 47</a>
<a target=_blank id="L48" href="http://blog.csdn.net/dandan_397/article/details/42110719#L48" rel="#L48" style="color: rgb(102, 102, 102); text-decoration: none;"> 48</a>
<a target=_blank id="L49" href="http://blog.csdn.net/dandan_397/article/details/42110719#L49" rel="#L49" style="color: rgb(102, 102, 102); text-decoration: none;"> 49</a>
<a target=_blank id="L50" href="http://blog.csdn.net/dandan_397/article/details/42110719#L50" rel="#L50" style="color: rgb(102, 102, 102); text-decoration: none;"> 50</a>
<a target=_blank id="L51" href="http://blog.csdn.net/dandan_397/article/details/42110719#L51" rel="#L51" style="color: rgb(102, 102, 102); text-decoration: none;"> 51</a>
<a target=_blank id="L52" href="http://blog.csdn.net/dandan_397/article/details/42110719#L52" rel="#L52" style="color: rgb(102, 102, 102); text-decoration: none;"> 52</a>
<a target=_blank id="L53" href="http://blog.csdn.net/dandan_397/article/details/42110719#L53" rel="#L53" style="color: rgb(102, 102, 102); text-decoration: none;"> 53</a>
<a target=_blank id="L54" href="http://blog.csdn.net/dandan_397/article/details/42110719#L54" rel="#L54" style="color: rgb(102, 102, 102); text-decoration: none;"> 54</a>
<a target=_blank id="L55" href="http://blog.csdn.net/dandan_397/article/details/42110719#L55" rel="#L55" style="color: rgb(102, 102, 102); text-decoration: none;"> 55</a>
<a target=_blank id="L56" href="http://blog.csdn.net/dandan_397/article/details/42110719#L56" rel="#L56" style="color: rgb(102, 102, 102); text-decoration: none;"> 56</a>
<a target=_blank id="L57" href="http://blog.csdn.net/dandan_397/article/details/42110719#L57" rel="#L57" style="color: rgb(102, 102, 102); text-decoration: none;"> 57</a>
<a target=_blank id="L58" href="http://blog.csdn.net/dandan_397/article/details/42110719#L58" rel="#L58" style="color: rgb(102, 102, 102); text-decoration: none;"> 58</a>
<a target=_blank id="L59" href="http://blog.csdn.net/dandan_397/article/details/42110719#L59" rel="#L59" style="color: rgb(102, 102, 102); text-decoration: none;"> 59</a>
<a target=_blank id="L60" href="http://blog.csdn.net/dandan_397/article/details/42110719#L60" rel="#L60" style="color: rgb(102, 102, 102); text-decoration: none;"> 60</a>
<a target=_blank id="L61" href="http://blog.csdn.net/dandan_397/article/details/42110719#L61" rel="#L61" style="color: rgb(102, 102, 102); text-decoration: none;"> 61</a>
<a target=_blank id="L62" href="http://blog.csdn.net/dandan_397/article/details/42110719#L62" rel="#L62" style="color: rgb(102, 102, 102); text-decoration: none;"> 62</a>
<a target=_blank id="L63" href="http://blog.csdn.net/dandan_397/article/details/42110719#L63" rel="#L63" style="color: rgb(102, 102, 102); text-decoration: none;"> 63</a>
<a target=_blank id="L64" href="http://blog.csdn.net/dandan_397/article/details/42110719#L64" rel="#L64" style="color: rgb(102, 102, 102); text-decoration: none;"> 64</a>
<a target=_blank id="L65" href="http://blog.csdn.net/dandan_397/article/details/42110719#L65" rel="#L65" style="color: rgb(102, 102, 102); text-decoration: none;"> 65</a>
<a target=_blank id="L66" href="http://blog.csdn.net/dandan_397/article/details/42110719#L66" rel="#L66" style="color: rgb(102, 102, 102); text-decoration: none;"> 66</a>
<a target=_blank id="L67" href="http://blog.csdn.net/dandan_397/article/details/42110719#L67" rel="#L67" style="color: rgb(102, 102, 102); text-decoration: none;"> 67</a>
<a target=_blank id="L68" href="http://blog.csdn.net/dandan_397/article/details/42110719#L68" rel="#L68" style="color: rgb(102, 102, 102); text-decoration: none;"> 68</a>
<a target=_blank id="L69" href="http://blog.csdn.net/dandan_397/article/details/42110719#L69" rel="#L69" style="color: rgb(102, 102, 102); text-decoration: none;"> 69</a>
<a target=_blank id="L70" href="http://blog.csdn.net/dandan_397/article/details/42110719#L70" rel="#L70" style="color: rgb(102, 102, 102); text-decoration: none;"> 70</a>
<a target=_blank id="L71" href="http://blog.csdn.net/dandan_397/article/details/42110719#L71" rel="#L71" style="color: rgb(102, 102, 102); text-decoration: none;"> 71</a>
<a target=_blank id="L72" href="http://blog.csdn.net/dandan_397/article/details/42110719#L72" rel="#L72" style="color: rgb(102, 102, 102); text-decoration: none;"> 72</a>
<a target=_blank id="L73" href="http://blog.csdn.net/dandan_397/article/details/42110719#L73" rel="#L73" style="color: rgb(102, 102, 102); text-decoration: none;"> 73</a>
<a target=_blank id="L74" href="http://blog.csdn.net/dandan_397/article/details/42110719#L74" rel="#L74" style="color: rgb(102, 102, 102); text-decoration: none;"> 74</a>
<a target=_blank id="L75" href="http://blog.csdn.net/dandan_397/article/details/42110719#L75" rel="#L75" style="color: rgb(102, 102, 102); text-decoration: none;"> 75</a>
<a target=_blank id="L76" href="http://blog.csdn.net/dandan_397/article/details/42110719#L76" rel="#L76" style="color: rgb(102, 102, 102); text-decoration: none;"> 76</a>
<a target=_blank id="L77" href="http://blog.csdn.net/dandan_397/article/details/42110719#L77" rel="#L77" style="color: rgb(102, 102, 102); text-decoration: none;"> 77</a>
<a target=_blank id="L78" href="http://blog.csdn.net/dandan_397/article/details/42110719#L78" rel="#L78" style="color: rgb(102, 102, 102); text-decoration: none;"> 78</a>
<a target=_blank id="L79" href="http://blog.csdn.net/dandan_397/article/details/42110719#L79" rel="#L79" style="color: rgb(102, 102, 102); text-decoration: none;"> 79</a>
<a target=_blank id="L80" href="http://blog.csdn.net/dandan_397/article/details/42110719#L80" rel="#L80" style="color: rgb(102, 102, 102); text-decoration: none;"> 80</a>
<a target=_blank id="L81" href="http://blog.csdn.net/dandan_397/article/details/42110719#L81" rel="#L81" style="color: rgb(102, 102, 102); text-decoration: none;"> 81</a>
<a target=_blank id="L82" href="http://blog.csdn.net/dandan_397/article/details/42110719#L82" rel="#L82" style="color: rgb(102, 102, 102); text-decoration: none;"> 82</a>
<a target=_blank id="L83" href="http://blog.csdn.net/dandan_397/article/details/42110719#L83" rel="#L83" style="color: rgb(102, 102, 102); text-decoration: none;"> 83</a>
<a target=_blank id="L84" href="http://blog.csdn.net/dandan_397/article/details/42110719#L84" rel="#L84" style="color: rgb(102, 102, 102); text-decoration: none;"> 84</a>
<a target=_blank id="L85" href="http://blog.csdn.net/dandan_397/article/details/42110719#L85" rel="#L85" style="color: rgb(102, 102, 102); text-decoration: none;"> 85</a>
<a target=_blank id="L86" href="http://blog.csdn.net/dandan_397/article/details/42110719#L86" rel="#L86" style="color: rgb(102, 102, 102); text-decoration: none;"> 86</a>
<a target=_blank id="L87" href="http://blog.csdn.net/dandan_397/article/details/42110719#L87" rel="#L87" style="color: rgb(102, 102, 102); text-decoration: none;"> 87</a>
<a target=_blank id="L88" href="http://blog.csdn.net/dandan_397/article/details/42110719#L88" rel="#L88" style="color: rgb(102, 102, 102); text-decoration: none;"> 88</a>
<a target=_blank id="L89" href="http://blog.csdn.net/dandan_397/article/details/42110719#L89" rel="#L89" style="color: rgb(102, 102, 102); text-decoration: none;"> 89</a>
<a target=_blank id="L90" href="http://blog.csdn.net/dandan_397/article/details/42110719#L90" rel="#L90" style="color: rgb(102, 102, 102); text-decoration: none;"> 90</a>
<a target=_blank id="L91" href="http://blog.csdn.net/dandan_397/article/details/42110719#L91" rel="#L91" style="color: rgb(102, 102, 102); text-decoration: none;"> 91</a>
<a target=_blank id="L92" href="http://blog.csdn.net/dandan_397/article/details/42110719#L92" rel="#L92" style="color: rgb(102, 102, 102); text-decoration: none;"> 92</a>
<a target=_blank id="L93" href="http://blog.csdn.net/dandan_397/article/details/42110719#L93" rel="#L93" style="color: rgb(102, 102, 102); text-decoration: none;"> 93</a>
<a target=_blank id="L94" href="http://blog.csdn.net/dandan_397/article/details/42110719#L94" rel="#L94" style="color: rgb(102, 102, 102); text-decoration: none;"> 94</a>


clear; 

% ori_im =double(imread('lena.jpg'));     % 读取图像 
ori_im = imread('pig.jpg');
% ori_im = imread('Baboon.bmp');


% figure,
% imshow(ori_im),
% title('the original image')
ori_gray = rgb2gray(ori_im);

% fx = [5 0 -5;8 0 -8;5 0 -5];          % 高斯函数一阶微分，x方向(用于改进的Harris角点提取算法) 
fx = [-2 -1 0 1 2];                     % x方向梯度算子(用于Harris角点提取算法) 
Ix = filter2(fx,ori_gray);                % x方向滤波 
% fy = [5 8 5;0 0 0;-5 -8 -5];          % 高斯函数一阶微分，y方向(用于改进的Harris角点提取算法) 
fy = [-2;-1;0;1;2];                     % y方向梯度算子(用于Harris角点提取算法) 
Iy = filter2(fy,ori_gray);                % y方向滤波 
Ix2 = Ix.^2; 
Iy2 = Iy.^2; 
Ixy = Ix.*Iy; 
clear Ix; 
clear Iy; 

%% 考虑到图像一般情况下的噪声影响，采用高斯滤波去除噪声点

h= fspecial('gaussian',[7 7],2);      % 产生7*7的高斯窗函数，sigma=2 

Ix2 = filter2(h,Ix2); 
Iy2 = filter2(h,Iy2); 
Ixy = filter2(h,Ixy); 
height = size(ori_gray,1); 
width = size(ori_gray,2); 
result = zeros(height,width);         % 纪录角点位置，角点处值为1 

%% 计算角点的响应函数R（即用一个值来衡量这个点是否是角点）,并标记角点（R(i,j)>0.01*Rmax,且R(i,j)为3x3邻域局部最大值）
k=1;
lambda=zeros(height*width,2);
R = zeros(height,width); 
for i = 1:height 
    for j = 1:width 
        M = [Ix2(i,j) Ixy(i,j);Ixy(i,j) Iy2(i,j)];             % auto correlation matrix 
        K = det(M);                          %求行列式
        H = trace(M);                        %求迹
%         R(i,j) = det(M)-0.06*(trace(M))^2;   
        R(i,j) = K-0.06*H^2;
        lambda(k,:)=[K H];
        k=k+1;
    end; 
end; 
figure,
plot(lambda(:,1),lambda(:,2),'.');
ylabel('trace');xlabel('det');


%%
cnt = 0; 
for i = 2:height-1 
    for j = 2:width-1 
        % 进行非极大抑制，窗口大小3*3 
        if  R(i,j) > R(i-1,j-1) && R(i,j) > R(i-1,j) && R(i,j) > R(i-1,j+1) && R(i,j) > R(i,j-1) && R(i,j) > R(i,j+1) && R(i,j) > R(i+1,j-1) && R(i,j) > R(i+1,j) && R(i,j) > R(i+1,j+1) 
            result(i,j) = 1; 
            cnt = cnt+1; 
        end; 
    end; 
end; 
Rsort=zeros(cnt,1); 
[posr, posc] = find(result == 1); 

for i=1:cnt 
    Rsort(i)=R(posr(i),posc(i)); 
end; 
[Rsort,ix]=sort(Rsort,1); 
Rsort=flipud(Rsort); 
ix=flipud(ix); 
ps=120; 
posr2=zeros(ps,1); 
posc2=zeros(ps,1); 
pos=zeros(ps,1); 
for i=1:ps 
    posr2(i)=posr(ix(i)); 
    posc2(i)=posc(ix(i)); 
    pos(i)= (posr2(i)-1)*width+posc2(i);
end; 


hold on,
plot(lambda(pos,1),lambda(pos,2),'r*');
legend('flat & edges','corners')

figure,
imshow(ori_im); 
hold on; 
plot(posc2,posr2,'g.'); 






 来自CODE的代码片
harris.m







实验结果：

                                       


      再附一张中间结果图，det(M) 与trace(M)的分布图，便于大家更好地理解R，

                                      


      我在上面做了一些标记，

                                    





            欢迎大家一起学习交流！




  C.Harris, M.Stephens. “A Combined Corner and Edge Detector”. 1988

收起

展开全文

OpenCV的角点检测 C++代码

千次阅读 2018-11-08 10:27:40

下面有角点检测的全部代码，不过这个之前需要配置一下OpenCV的环境我前边的博文中转发的有关于OpenCV环境的配置，没有配置过的可以去看一下下边直接上代码也是为了方便自己下次使用代码如下： #include "...

项目中有用到OpenCV，最近几天去着手学习了一下。

下面有角点检测的全部代码，不过这个之前需要配置一下OpenCV的环境

我前边的博文中转发的有关于OpenCV环境的配置，没有配置过的可以去看一下

下边直接上代码  也是为了方便自己下次使用

代码如下：
#include "pch.h"
#include <iostream>
#include<string>  
#include <limits>  
#include <iomanip>
#include <opencv2/opencv.hpp>
    
using namespace std;
using namespace cv;
using std::setw;

Mat src, gray_src;
int thresh = 130;
int max_count = 255;
const char* output_title = "HarrisCornerDetectionResult";
void Harris_Dome(int,void*);

int main()
{
#pragma region OpenCV 角点检测
	src = imread("F:/BeautifulPiture/aboutLove.jpg");
	if (src.empty())
	{
		printf("没有发现图片!!!");
		return -1;
	}
	namedWindow("Input image",CV_WINDOW_AUTOSIZE);
	imshow("Input image",src);

	namedWindow(output_title, CV_WINDOW_AUTOSIZE);//设置窗口大小
	cvtColor(src,gray_src,COLOR_BGR2GRAY);//原图转换为灰度图
	createTrackbar("Threshold",output_title,&thresh,max_count,Harris_Dome);//创建滑动条
	Harris_Dome(0,0);
	waitKey(0);
#pragma endregion

	//system("PAUSE");//停留等待 按任意键结束
	return 0;

}

//角点检测函数
void Harris_Dome(int,void*)
{
	Mat dst, norm_dst, normScaleDsr;
	dst = Mat::zeros(gray_src.size(),CV_32FC1);

	int blockSize = 2;
	int Ksize = 3;
	double k = 0.04;
	cornerHarris(gray_src,dst,blockSize,Ksize,k,BORDER_DEFAULT);
	normalize(dst,norm_dst,0,255,NORM_MINMAX,CV_32FC1,Mat());//归一化
	convertScaleAbs(norm_dst,normScaleDsr);
	
	Mat resultImg = src.clone();
	for (int row = 0; row < resultImg.rows; row++)
	{
		uchar* currenrRow = normScaleDsr.ptr(row);
		for (int col = 0; col < resultImg.cols; col++)
		{
			int value = (int)* currenrRow;
			if (value>thresh)
			{
				circle(resultImg,Point(col,row),2,Scalar(0,0,255),2,8,0);
			}
			currenrRow++;
		}
	}
	imshow(output_title,resultImg);
}

收起

展开全文

C++

图像Susan角点检测算法代码（非常稳健的C++代码）
2014-08-11 16:43:20
针对图像的Susan角点检测算法，该代码写得非常稳健，我处理非常大的遥感图像，反复调用都不会出任何问题，相信对你有所帮助，我会及时共享我的最新代码，共同学习，共同交流，共同进步
收起

Harris、SUSAN角点检测Matlab源代码

千次阅读 多人点赞 2017-05-10 19:15:38

角点检测主要运用于运动检测、图像匹配、视频跟踪、三维建模、目标识别。常用的几种基于灰度变化的算法有Moravec、Harris、SUSAN等，本文主要是对Harris和SUSAN方法进行源代码的展示，由于Matlab集成的库比较多，就...

　　角点检测主要运用于运动检测、图像匹配、视频跟踪、三维建模、目标识别。常用的几种基于灰度变化的算法有K.R，Harris，KLT，SUSAN，MORAVEC。

　　　　　　
 $角 点 检 测 = ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ 灰 度 图 ⎧ ⎩ ⎨ 梯 度 模 版 混 合 二 值 图 轮 廓 图$ 　 由于以下缺点，Moverac渐渐被Harris取代　　 

　 
 $M o r a v e c 角 点 检 测 缺 陷 ⎧ ⎩ ⎨ 强 度 值 计 算 各 向 异 性 窗 口 函 数 混 有 噪 声 相 似 判 别 太 简 单 m i n (S S D)$  1.Harris角点检测　　

　　Harris角点检测的思路较为清晰，其原理主要是找取双边变化最大的点，主要在于理解其响应值（评价灰度变化情况）函数的构造。当然虽说不难，但也是找了一大堆资料才看明白的。原本是打算自己写一遍，但发现有几篇博客里面介绍的已经不能再详细了，以下是传送门：http://www.cnblogs.com/ronny/p/4009425.html 

　　以下介绍一下Matlab实现的Harris角点检测，具体步骤都标注好了，大家可以对照着博客中的原理进行理解、 

　　



clear; 
% 读取图像 
grayImage = imread('C:\Users\Administrator\Desktop\3.bmp');     
% 转化为灰度图像
%grayImage=rgb2gray(srcImage);
% 求取图像宽高
[ImageHeight,ImageWidth]=size(grayImage);
% 显示原始灰度图
%imshow(ori_im);
% 方法1：x方向梯度算子(用于Harris角点提取算法) 
fx = [-2 -1 0 1 2];
% 方法2：x方向高斯卷积核(高斯尺度空间的多尺度优化)
%fx = [5 0 -5;8 0 -8;5 0 -5]; 
% x方向滤波微分
Ix = filter2(fx,grayImage);            
% 显示x方向滤波图
%figure;imshow(Ix);
% 方法1：y方向梯度算子(用于Harris角点提取算法) 
fy = [-2;-1;0;1;2];      
% 方法2：y方向高斯卷积核(高斯尺度空间的多尺度优化)
 %fy = [5 8 5;0 0 0;-5 -8 -5];
% y方向滤波微分
Iy = filter2(fy,grayImage);
% 显示y方向滤波图
figure;imshow(Iy);
%（相关参数说明见harris理论，文中前面有链接）
Ix2 = Ix.^2; 
Iy2 = Iy.^2; 
Ixy = Ix.*Iy; 
% 产生7*7的高斯窗函数，sigma=2,用于窗口的高斯平滑 
w= fspecial('gaussian',[7 7],2);      
Ix2 = filter2(w,Ix2); 
Iy2 = filter2(w,Iy2); 
Ixy = filter2(w,Ixy); 
% 纪录角点位置，角点处值为1 
corner = zeros(ImageHeight,ImageWidth);
% 图像中最大的响应值 
Rmax = 0;                               
% 计算各点的响应值
R = zeros(ImageHeight,ImageWidth); 
for i = 1:ImageHeight 
    for j = 1:ImageWidth 
        M = [Ix2(i,j) Ixy(i,j);Ixy(i,j) Iy2(i,j)];             
        R(i,j) = det(M)-0.06*(trace(M))^2;                      
        if R(i,j) > Rmax 
            Rmax = R(i,j); 
        end; 
    end; 
end; 
% 角点个数
cnt = 0; 
% 进行非极大抑制，窗口大小3*3 
for i = 2:ImageHeight-1 
    for j = 2:ImageWidth-1 
        if ( R(i,j) > 0.01*Rmax && R(i,j) > R(i-1,j-1) && R(i,j) > R(i-1,j) && R(i,j) > R(i-1,j+1) && R(i,j) > R(i,j-1) && R(i,j) > R(i,j+1) && R(i,j) > R(i+1,j-1) && R(i,j) > R(i+1,j) && R(i,j) > R(i+1,j+1)) 
            corner(i,j) = 1; 
            cnt = cnt+1; 
        end; 
    end; 
end; 
[upix, vpix] = find(corner == 1); 
%角点个数
cnt      
%绘制角点
figure;
imshow(grayImage)
hold on;
plot(vpix,upix,'r.');      

得到结果如下图 




2.SUSAN角点检测

SUSAN算法容易把边缘也提取出来，但对噪声的容忍度比较强。 

原理参考http://blog.csdn.net/tostq/article/details/49305615



clear;
clc;
% 读取图像
Image=imread('C:\Users\Administrator\Desktop\1.bmp');
% 转化为灰度图像
%Image=rgb2gray(Image);
% 显示图像
%imshow(Image);
% 获取图像高宽（行烈）
[ImageHeight,ImageWidth]=size(Image);
% 这一步没太大必要
%Image=double(Image);
% 判断灰度相近的阈值
threshold=45;  
% 当前像素和窗体内像素差别在t以下的个数，即相似的个数
usan=[];
% 计算以像素为中心的窗体内包含的
% 包含37个像素的圆窗口，面积为12*pi=37，因此是以sqrt（12）为半径的原
% 没有在外围扩展图像，最终图像会缩小
for i=4:ImageHeight-3         
   for j=4:ImageWidth-3 
        %从原图中截取7*7的区域再在其中挑选圆窗
        tmp=Image(i-3:i+3,j-3:j+3);  
        %c表示灰度值相近的程度，越大越相近
        c=0;
        for p=1:7
           for q=1:7
               %在7*7的区域中选取圆窗包含的像素
                if (p-4)^2+(q-4)^2<=12 
                    %usan(k)=usan(k)+exp(-(((img(i,j)-tmp(p,q))/t)^6));
                    %判断灰度是否相近，t是自己设置的
                    if abs(Image(i,j)-tmp(p,q))<threshold  
                        c=c+1;
                    end
                end
           end
        end
        usan=[usan c];
   end
end
%相当于进一步调整阈值，在threshold的基础上进一步减少角点个数
g=2*max(usan)/3;
for i=1:length(usan)
   if usan(i)<g 
       usan(i)=g-usan(i);
   else
       usan(i)=0;
   end
end
% 由于usan是一维的，所以要重新变换为二维，对应图像位置
imgn=reshape(usan,[ImageWidth-6,ImageHeight-6])';
%figure;
%imshow(imgn)
%非极大抑制
[m n]=size(imgn);
re=zeros(m,n);
for i=2:m-1
   for j=2:n-1 
        if imgn(i,j)>max([max(imgn(i-1,j-1:j+1)) imgn(i,j-1) imgn(i,j+1) max(imgn(i+1,j-1:j+1))]);
            re(i,j)=1;
        else
            re(i,j)=0;
        end
   end
end
figure;
imshow(Image)
hold on;
[x,y]=find(re==1);
plot(y,x,'*')

“`c

效果图如下

收起

展开全文

matlab 机器视觉

Harris角点检测及代码分析

2015-03-28 10:51:17

角点是图像亮度发生剧烈变化和图像边缘曲线上曲率极大值点，是目前很多图像关键点提取算法的基础，也是研究物体移动时可选取的参考点。本文主要记录Harris角点检测步骤，并对OpenCV1.0的代码进行分析。


  角点是图像亮度发生剧烈变化和图像边缘曲线上曲率极大值点，是目前很多图像关键点提取算法的基础，也是研究物体移动时可选取的参考点。本文主要记录Harris角点检测步骤，并对OpenCV1.0的代码进行分析。




一、理论知识

Harris角点的理论请参考【Harris角点】，这里只总结一下：

自相关函数由一阶泰勒展开后可近似成一个二次项函数，[Δx,Δy]M(x,y)[ΔxΔy]
研究M(x,y)决定的椭圆，发现角点的短轴和长轴值都比较大，且相互接近，可形式化为 detM−α(traceM)2>Rt
Harris的一些性质

对亮度和对比度的变化不敏感；
具有旋转不变性；
不具有尺度不变性；
二、算法流程

Harris角点提取为以下步骤：

求Ix、Iy，OpenCV中使用了sobel算子求梯度，其中x方向Gx=⎡⎣⎢−1−2−1000121⎤⎦⎥，y方向为GxT，其中M的形式为[ABBC]
对Ix2、Iy2、Ixy进行高斯加权，OpenCV使用了均值权
计算R=detM−α(traceM)2>Rt，Rt一般为了自适应图像对比度，会选择β∗maxR
在一定窗口内进行非极大值抑制，局部最大值点即为图像中的角点。
三、代码分析

完整的代码可以参见Ronny写的【Harris角点检测的C++实现代码】，这里我们分析OpenCV1.0的代码。OpenCV1.0没有提供完整的函数提取Harris角点，cvCornerHarris()函数仅计算出每个像素单元的R值，如下： 
文件：./cv/src/cvcorner.cpp



void cvCornerHarris(...)
{
    // 一些参数检查
    icvCornerEigenValsVecs(...);
}
void icvCornerEigenValsVecs()
{
    CvBoxFilter blur_filter;    // 窗口均值滤波器，./cv/include/cv.hpp中有声明
    // 一些参数检查和预处理
    ipp_sobel_vert(...);        // 计算水平梯度
    ipp_sobel_horiz(...);       // 计算垂直梯度
    // 将M矩形做成w*h*3的结构，第一通道放I_x^2，第二通道放I_yx，第三通道为I_y^2
    blur_filter.process(...)    // 窗口均值加权处理
    icvCalcHarris(...)          // 计算R值
}

Ronny的代码中非极大值抑制时用图像膨胀&&原图的方法，有缺陷，容易出现块状现象，以下是我的完整代码。



int HarrisCorner(IplImage *imgSrc, std::vector<CvPoint> &corners)
{
    assert(imgSrc->nChannels == 3);

    corners.clear();

    CvSize imgSz = cvGetSize(imgSrc);
    IplImage *gray = cvCreateImage(imgSz, 8, 1);
    cvCvtColor(imgSrc, gray, CV_BGR2GRAY);

    IplImage *response = cvCreateImage(imgSz, 32, 1);
    cvCornerHarris(gray, response, 3);

    double minValue, maxValue;
    cvMinMaxLoc(response, &minValue, &maxValue);

    double thr = 0.001 * maxValue;
    IplImage *binary = cvCreateImage(imgSz, 8, 1);
    cvThreshold(response, binary, thr, 255, CV_THRESH_BINARY);

    // 非极大值抑制
    for(int i = 1; i < imgSz.height - 1; i ++)
    {
        uchar *pre = (uchar*)(binary->imageData + binary->widthStep * (i - 1));
        uchar *ptr = (uchar*)(binary->imageData + binary->widthStep * i);
        uchar *nex = (uchar*)(binary->imageData + binary->widthStep * (i + 1));
        for(int j = 1; j < imgSz.width - 1; j ++)
        {
            // / 0 0 0 \
            // | 0 1 0 |
            // \ 0 0 0 /
            if(ptr[j] > pre[j-1] && ptr[j] > pre[j] && ptr[j] > pre[j+1] &&
               ptr[j] > ptr[j-1] && ptr[j] > ptr[j+1] &&
               ptr[j] > nex[j-1] && ptr[j] > nex[j] && ptr[j] > nex[j+1])
            {
                corners.push_back(cvPoint(j, i));
            }
        }
    }

    cvReleaseImage(&gray);
    cvReleaseImage(&response);
    cvReleaseImage(&binary);
}

收起

展开全文

图像处理 opencv

SUSAN角点检测与匹配算法代码(OpenCV)
千次阅读 2019-04-06 19:53:59
SUSAN(Small univalue segment assimilating nucleus)是一种基于灰度图像以及窗口模板的特征点获取方法，适用于图像中边缘和角点的检测，对噪声鲁棒，而且具有简单、有效、计算速度快等特点。本文结合SUSAN算法原理,...
收起
特征匹配 OpenCV
基于生长的棋盘格角点检测方法代码介绍
千次阅读 2018-08-20 11:17:02
本文主要讲述代码同时丰富参考博客中的一些小点和问题原文： https://blog.csdn.net/sunshine_zoe/article/details/78303658 参考资料 1、论文 Geiger A, Moosmann F, Car Ö, et al. Automatic ...
收起
MATLAB
OpenCV中的Harris角点检测(附代码)
2018-12-13 22:58:12
早在 1988 年，Chris_Harris 和 Mike_Stephens在文章《A Combined Corner and Edge Detector》提出了角点检测的算法，该方法被命名为Harris角点检测。具体原理可以参考各种文献资料，是一种很经典的算法。个人...
收起
OpenCV python
角点检测详细总结及代码示例
万次阅读 多人点赞 2019-06-24 15:00:09
角点检测(Corner Detection)是计算机视觉系统中用来获得图像特征的一种方法，广泛应用于运动检测、图像匹配、视频跟踪、三维建模和目标识别等领域中。也称为特征点检测。一、角点（corner）角点通常被定义为两...
收起
Harris角点检测及代码分析（续）
2015-05-25 17:07:13
紧接着“Harris角点检测及代码分析”，这里主要分析OpenCV的cvGoodFeaturesToTrack()函数，这才是角点提取的真正代码。
收起
【OpenCV】角点检测：Harris角点及Shi-Tomasi角点检测
万次阅读 多人点赞 2012-07-31 13:25:07
点，也就是图像中的特殊位置，是很常用的一类特征，点的局部特征也可以叫做“关键特征点”(keypoint feature)，或“兴趣点”(interest point)，或“角点”(conrner)。关于角点的具体描述可以有几种：一阶导数(即...
收起
dst parameters 算法 features border
opencv特征提取角点检测python实现详细代码打包
2019-03-26 18:25:35
代码打包如下，可直接运行链接：https://pan.baidu.com/s/17q146TAhOsD1UnwLxc_Bkw 提取码：r5t3 复制这段内容后打开百度网盘手机App，操作更方便哦
收起
python opencv
【OpenCV入门教程之十六】OpenCV角点检测之Harris角点检测
万次阅读 多人点赞 2014-06-08 11:45:09
本篇文章中，我们一起探讨了OpenCV中Harris角点检测相关的知识点，学习了OpenCV中实现Harris角点检测的cornerHarris函数的使用方法。此博文一共有两个配套的麻雀虽小但五脏俱全的示例程序，其经过浅墨详细注释过的...
收起
图像处理 opencv Harris 计算机视觉
Python+OpenCV中的Shi-Tomasi角点检测实现(附代码)
千次阅读 2018-12-14 09:33:25
1994年，J.Shi 和 C.Tomasi发表了文章《Good_Features_to_Track》，对Harris角点检测算法进行了改进。具体原理可以参考各种文献资料，另外值得一提的是该算法适合运动物体的角点跟踪。 Opencv中的函数cv2....
收起
OpenCV python
Harris角点检测
千次阅读 2020-02-25 12:49:21
实验基础1.1角点概述1.2角点检测基本原理1.3Harris角点检测代码2.场景一：纹理平坦2.1实验结果2.2结果分析3.场景二：垂直或水平边缘多3.1实验结果3.2结果分析4.场景三：纹理角点丰富4.1实验结果4.2结果分析 1.实验...
收起
角点检测：Harris角点及Shi-Tomasi角点检测
千次阅读 2016-01-09 13:31:55
角点特征检测与匹配是Computer Vision 应用总重要的一部分，这需要寻找图像之间的特征建立对应关系。点，也就是图像中的特殊位置，是很常用的一类特征，点的局部特征也可以叫做“关键特征点”(keypoint feature)...
收起
OpenCV
基于生长的棋盘格角点检测方法--（2）代码详解（上）
千次阅读 2016-10-11 18:32:38
上一篇介绍了基于生长的棋盘格角点检测方法的大概原理，详见：基于生长的棋盘格角点检测方法–（1）原理介绍本文进一步从代码解读角度出发，更深入地理解工程中是如何实现的。本文中用到的代码可以从以下链接...
收起
棋盘格
OpenCV角点检测器测试和比较
千次阅读 2017-02-28 21:35:26
关于特征检测，OpenCV提供了通用的接口FeatureDetector类。简单调用其成员函数create()和detect()即可完成角点检测。选取8个以角点为特征的特征检测器进行测试，包括： ...测试代码#include #includ
收起
opencv
基于生长的棋盘格角点检测方法--（3）代码详解（下）
千次阅读 2016-10-12 16:56:28
接着上一篇基于生长的棋盘格角点检测方法–（2）代码详解（上），来看一下第二个重要函数chessboardsFromCorners。该函数的目的是用上一步骤中找到的角点恢复出棋盘结构。首先初始化一个3x3的角点矩阵，也就是一个...
收起
结构优化
图像处理之角点检测与亚像素角点定位
万次阅读 2016-12-14 11:31:09
图像处理之角点检测与亚像素角点定位角点是图像中亮度变化最强地方反映了图像的本质特征，提取图像中的角点可以有效提高图像处理速度与精准度。所以对于整张图像来说特别重要，角点检测与提取的越准确图像处理与...
收起
图像处理亚像素定位 OpenCV

harris角点检测代码

Susan角点检测代码

SUSAN 角点检测 matlab代码

角点检测matlab代码

Moravec角点检测算法代码

详解Harris角点检测及代码实现

来自CODE的代码片

OpenCV的角点检测 C++代码

图像Susan角点检测算法代码（非常稳健的C++代码）

Harris、SUSAN角点检测Matlab源代码

1.Harris角点检测

2.SUSAN角点检测

Harris角点检测及代码分析

一、理论知识

二、算法流程

三、代码分析

SUSAN角点检测与匹配算法代码(OpenCV)

基于生长的棋盘格角点检测方法代码介绍

OpenCV中的Harris角点检测(附代码)

角点检测详细总结及代码示例

Harris角点检测及代码分析（续）

【OpenCV】角点检测：Harris角点及Shi-Tomasi角点检测

opencv特征提取角点检测python实现详细代码打包

【OpenCV入门教程之十六】OpenCV角点检测之Harris角点检测

Python+OpenCV中的Shi-Tomasi角点检测实现(附代码)

Harris角点检测

角点检测：Harris角点及Shi-Tomasi角点检测

基于生长的棋盘格角点检测方法--（2）代码详解（上）

OpenCV角点检测器测试和比较

基于生长的棋盘格角点检测方法--（3）代码详解（下）

图像处理之角点检测与亚像素角点定位

角点检测代码

harris角点检测代码

Susan角点检测代码

SUSAN 角点检测 matlab代码

角点检测matlab代码

Moravec角点检测算法代码

详解Harris角点检测及代码实现

来自CODE的代码片

OpenCV的角点检测 C++代码

图像Susan角点检测算法代码（非常稳健的C++代码）

Harris、SUSAN角点检测Matlab源代码

1.Harris角点检测

2.SUSAN角点检测

Harris角点检测及代码分析

一、理论知识

二、算法流程

三、代码分析

SUSAN角点检测与匹配算法代码(OpenCV)

基于生长的棋盘格角点检测方法 代码介绍

OpenCV中的Harris角点检测(附代码)

角点检测详细总结及代码示例

Harris角点检测及代码分析（续）

【OpenCV】角点检测：Harris角点及Shi-Tomasi角点检测

opencv特征提取角点检测python实现详细代码打包

【OpenCV入门教程之十六】OpenCV角点检测之Harris角点检测

Python+OpenCV中的Shi-Tomasi角点检测实现(附代码)

Harris角点检测

角点检测：Harris角点及Shi-Tomasi角点检测

基于生长的棋盘格角点检测方法--（2）代码详解（上）

OpenCV角点检测器测试和比较

基于生长的棋盘格角点检测方法--（3）代码详解（下）

图像处理之角点检测与亚像素角点定位

角点检测代码

1.Harris角点检测　　

基于生长的棋盘格角点检测方法代码介绍