Numpy 高特征值始终用于边缘检测

我试图通过解释来理解哈里斯探测器。根据解释，我理解，如果我们计算本征值

然而，当我试图计算本征值时，本征值总是很高。下面是我的主要图像，我从中提取部分来计算特征值

对于没有可见特征的平坦区域，我得到了这个分布（在最右边），这很好，但特征值很大 260935.70201362434796.29798638

对于线性边，我也得到了较高的特征值：16290305.45393251 567780.54606749

对于角点，预计会得到高值，但由于上述情况，我怀疑这些高值是否正确

8958127.80563239 10986758.19436761

这里是我的方法，翻译自matlab代码。这是我直接从numpy的线性代数库中得到的VAL值

def plot_derivatives_1(img_rgb, mode=1):
    '''
    img_rgb = image in rgb color space (3 channeled)
    '''
    img_1c = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
    if mode == 1:  # method 1 derivative
        Ix = cv2.Sobel(img_1c, cv2.CV_64F, 1, 0, ksize=3)
        Iy = cv2.Sobel(img_1c, cv2.CV_64F, 0, 1, ksize=3)
    else:
        # another method of derivatives
        dx = np.array([
            [-1, 0, 1],
            [-1, 0, 1],
            [-1, 0, 1]
            ]);

        dy = np.transpose(dx)
        Ix = signal.convolve2d(img_1c, dx, mode='valid')
        Iy = signal.convolve2d(img_1c, dy, mode='valid')    
        Ix, Iy = Ix.astype(np.float64), Iy.astype(np.float64) # else gaussian blur later is failing

    # yet to solve why we need A and eigen outputs
    A = np.array([
        [ np.sum(Ix*Ix), np.sum(Ix*Iy) ],
        [ np.sum(Ix*Iy), np.sum(Iy*Iy) ]
    ])
    vals, V = linalg.eig(A)
    lamb = vals/np.max(vals)
    print('lambda values:{}'.format(vals))

    fig, ax = plt.subplots(1,4, figsize=(20,5))
    ax[0].imshow(img_rgb);ax[0].set_title('Input Image')
    ax[1].imshow(Ix, cmap='gray');ax[1].set_title('$I_x = \dfrac{\partial I}{\partial x}$')
    ax[2].imshow(Iy, cmap='gray');ax[2].set_title('$I_y = \dfrac{\partial I}{\partial y}$')    
    ax[3].scatter(Ix, Iy);ax[3].set_xlim([-200,200]);ax[3].set_ylim([-200,200]);
    ax[3].set_aspect('equal');ax[3].set_title('Derivatives Distribution');
    ax[3].set_xlabel('Ix');ax[3].set_ylabel('Iy')
    ax[3].axvline(x=0, color = 'r');ax[3].axhline(y=0, color ='r')
    plt.tight_layout();plt.show()    

    return Ix, Iy

一个案例的示例调用（此处显示的是拐角处）

我使用jupyter笔记本，代码是在我试图理解这个概念时生成的

在所有情况下，我总是获得较高的本征值，这有什么错

---

可以找到用于上述情况的样本图像

您的梯度似乎已重新缩放。它们应该是有符号的值，以原点为中心。你的渐变看起来被重新缩放了。它们应该是以原点为中心的有符号值。

img = cv2.imread(SRC_FOLDER + 'checkersandbooksmall_sample_6.jpg')
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

Ix, Iy = plot_derivatives_1(img_rgb, mode=1)