指图像「灰度值发生显著变化」的区域，且变化发生在「多个」方向。
- 通常是一个物体或场景中的交界点。
- 应用场景：全景拼接 (Panorama stitching) 两张图片
Harris 角点检测
算法步骤
高斯导数
Gaussian Derivatives
计算像素在 在 和 方向上的梯度 。
二阶矩阵
Second Moment Matrix
构建一个二阶矩阵 ，其反映了图像灰度值变化的方向性：
- 通过计算这些梯度的高斯加权求和，确保周围像素的影响被平滑处理，不会受到噪声或远离中心的像素的影响。
如果矩阵的特征值较大，说明该点为角点；如果特征值较小，则可能是平坦区域或边缘。
响应函数
- ： 的行列式，反映了图像局部变化的程度。
- ： 的迹，等于 ，反映了图像的整体灰度变化。
- ：一个常数，通常取值在 0.04 到 0.06 之间。
阈值化响应函数
通过设定一个阈值 ，将所有小于该阈值的 值视为非角点，过滤掉不显著的点。
非极大值抑制
- 对于每个像素点，检查其周围的邻域像素。
- 如果当前像素点的 比周围邻域内的响应值都大，则保留该点，否则抑制该点。
平移不变性
图像平移不会影响梯度和窗口函数的计算结果，角点位置会随着图像的平移而平移。
尺度不协变性
图像缩放会影响角点的位置，可能无法在不同尺度下检测到相同的角点，不具有协变性 (Covariant)。
「尺度」可以理解为在不同距离下观察同一物体的测量标准