Harris角点检测实现异常：检测结果为边缘而非角点的问题排查

一、为何检测结果变成边缘检测器？ #

• 核心逻辑错误：检查响应函数R的计算是否正确。Harris的核心是R = det(M) - k*(trace(M))²，如果误将det(M)或trace(M)单独作为判断依据，或者公式写错（比如把减号写成加号），会直接输出边缘特征。
• 梯度数值溢出：Sobel计算梯度时如果用8位整数输出，Gx²和Gy²会超出8位范围导致截断，使得协方差矩阵M的统计完全错误。必须用CV_32F/CV_64F浮点类型存储梯度结果。
• 平滑顺序错误：必须先对Gx²、Gy²、GxGy分别做高斯平滑，再构建M矩阵。如果先合并矩阵再平滑，或者漏平滑某一项，会丢失窗口内梯度的空间分布信息，误将边缘识别为角点。

二、高斯平滑引入噪声的根源与解决 #

高斯滤波本身是降噪操作，出现噪声大概率是数值精度丢失：

• GxGy是正负梯度的乘积，数值范围远大于8位整数（比如8位梯度的乘积范围是-65025_{65025），如果直接用8位Mat存储，会被截断为0}255，再做平滑就会产生伪噪声。解决方法是全程用浮点类型（CV_32F）存储梯度平方项和交叉项。
• 不要用中值滤波替代高斯滤波：Harris需要窗口内梯度的加权平均（高斯核的权重）来体现角点的空间相关性，中值滤波会破坏这种连续性，反而丢失角点特征。

三、必做的实现校验步骤 #

• 梯度计算：Sobel调用时指定浮点输出，例：

  Sobel(src, grad_x, CV_32F, 1, 0, 3);
  Sobel(src, grad_y, CV_32F, 0, 1, 3);
  

• 梯度项计算：用浮点矩阵存储平方和交叉项：

  Mat grad_x2, grad_y2, grad_xy;
  multiply(grad_x, grad_x, grad_x2);
  multiply(grad_y, grad_y, grad_y2);
  multiply(grad_x, grad_y, grad_xy);
  

• 高斯平滑：对三个梯度项分别做平滑，核大小与sigma匹配（如3x3核对应sigma≈0.8，5x5核对应sigma≈1.5）：

  GaussianBlur(grad_x2, grad_x2_smooth, Size(3,3), 0.8);
  GaussianBlur(grad_y2, grad_y2_smooth, Size(3,3), 0.8);
  GaussianBlur(grad_xy, grad_xy_smooth, Size(3,3), 0.8);
  

• 响应函数计算：严格按照公式实现，k值固定在0.04~0.06区间：

  Mat det_M = grad_x2_smooth.mul(grad_y2_smooth) - grad_xy_smooth.mul(grad_xy_smooth);
  Mat trace_M = grad_x2_smooth + grad_y2_smooth;
  Mat R = det_M - 0.05 * trace_M.mul(trace_M);
  

• 非极大值抑制：对R矩阵做3x3窗口的局部最大值筛选，再用阈值过滤，避免边缘点干扰。

内容的提问来源于stack exchange，提问作者Pawan Nirpal