博主简介：matlab图像代码项目合作（扣扣：3249726188）
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
本次案例是基于基于Harris算法的图像匹配，用matlab实现。
一、案例背景和算法介绍
前面的博客文章我们介绍图像处理的一个重要领域算法：图像匹配。图像匹配的算法比较多，有基于SIFT、SURF、Harris等特征的匹配算法，这次介绍的算法是Harris匹配算法。前期介绍的算法如下：
SIFT匹配：基于SIFT算法的图像匹配（【图像匹配】基于SIFT算法的图像匹配，matlab实现-CSDN博客）
SURF匹配：基于SURF算法的图像匹配（【图像匹配】基于SURF算法的图像匹配，matlab实现-CSDN博客）
下面简要介绍一下Harris算法。
Harris角点检测算法的基本原理
Harris角点检测算法是由Chris Harris和Mike Stephens在1988年提出的，它通过计算图像中每个像素点的自相关矩阵来确定角点。该算法使用一个固定窗口在图像上滑动，比较滑动前后的灰度变化，如果灰度变化显著，则认为该位置为角点。
Harris角点检测算法的步骤
- 将图像转换为灰度图像。
- 计算图像的梯度，获取像素的水平和垂直梯度。
- 计算每个像素的二阶矩阵（自相关矩阵）。
- 计算每个像素的响应函数值（角点响应函数）。
- 应用非极大值抑制，抑制非极大值点。
- 根据阈值筛选出角点。
Harris角点检测算法的优点
- 旋转不变性：Harris角点检测算法具有旋转不变性，即旋转后的图像仍然能够准确检测到角点。
- 对亮度和对比度的变化不敏感：该算法对亮度和对比度的变化具有较好的鲁棒性。
- 计算简单：Harris角点检测算法的计算过程相对简单，且提取的角点特征均匀合理，性能稳定。
Harris角点检测算法的应用场景
- 摄像机标定：通过检测图像中的角点，可以用于摄像机的标定，提高摄像机的精度。
- 虚拟场景重建：在虚拟场景重建中，角点检测可以帮助构建三维模型。
- 运动估计：在运动估计中，角点检测可以用于跟踪物体的运动。
- 图像配准：在图像配准中，角点检测可以帮助实现图像之间的对齐。
关于Harris算法的网上资料也是非常多，这里同样不做详细介绍。这里概述一下匹配的主要步骤，跟SIFT匹配类似，主要是特征算法不同，后续匹配步骤是一致的：
1、获取Harris特征，得到特征之后，接下来就是匹配
2、计算特征距离值，如符合一定规则（如设置距离少于某个值），则认为符合初步匹配
3、利用RANSAC算法去除误匹配
主要的matlab主函数代码如下：
clear
clc
close all% 读取原图
img1 = imread('hall1.jpg');
img2 = imread('hall2.jpg');% 显示
figure
subplot(1,2,1)
imshow(img1);
title('原图1');
subplot(1,2,2)
imshow(img2);
title('原图2');% 转换为double数据
img1Dup=rgb2gray(img1);
img1Dup=double(img1Dup);
img2Dup=rgb2gray(img2);
img2Dup=double(img2Dup);% Harris算法角点提取
[locs1] = Harris(img1Dup);
[locs2] = Harris(img2Dup);% 初步匹配，用 NCC 算法寻找匹配点
[matchLoc1 matchLoc2] = findCorr(img1Dup,img2Dup,locs1, locs2);% 用 RANSAC 去除误匹配点
[H inlierIdx] = estHomography(img1Dup,img2Dup,matchLoc2',matchLoc1');
下面看看具体的matlab实现效果。
完成匹配后，可以根据匹配效果做图像拼接操作了，这个后续的算法再做介绍。
二、Matlab实现效果
原图：
初步匹配效果：
去除误匹陪效果：
