图像局部特征学习(笔记1之Harris角点)
来源:互联网 发布:c语言fabs函数用法 编辑:程序博客网 时间:2024/05/02 02:18
角点:有两种比较普遍的定义
- 角点是两个边缘的交点
- 角点是邻域内具有两个主方向的特征点(这个主方向,其实我一直是迷糊,但是参考PCA,觉得其想说的是在在两个方向上灰度变化比较大,也就是此时的角点邻域内的点,不再是一个二维的点(x,y),而是一个三维的点(x,y,I)其中I是像素位置(x,y)对应的灰度值。当存在两个主方向时,也就意味着存在两个较大的特征值。)
角点检测的主要思路:
- 第一种基于图像边缘的方法,对应角点定义1,检测出边缘也便检测出角点。但是这种方法很依赖于图像边缘的检测结果,但是我们知道边缘检测是一个比较麻烦,复杂的问题。
- 第二种是基于图像灰度的方法,该方法主要通过计算点的曲率以及梯度来检测角点,这类方法中比较有代表性的有:Moravec,Forstner,Harris,SUSAN.
Harris角点检测:
下图可以很明了的说明Harris角点检测的原理:
简单介绍就是,设置一个固定尺寸的小窗口,移动窗口。统计移动前后窗口内的像素变化情况,来进行角点的判断。写成数学表达式就是:
其中的权重因子w(u,v)可以是常数也可以是高斯加权函数:
对上式进行泰勒级数的一阶展开,化简可以得到下式:
其中:
正如角点的第二种定义,角点是其邻域内的灰度在两个方向有较大的变化,对应存在两个较大的特征值;而边缘时邻域内的灰度在某一个方向有较大的变化,对应存在一个较大的特征值;平面就是在邻域内的灰度变化不大,存在两个较小的特征值;下图描述了特征值与检测结果的关系:
但是在求解矩阵M的特征值的时候,计算量比较大,比较耗时,因为我们一般不直接计算其特征。利用如下公式间接比较其特征的大小关系,进行角点判断:
然后令λ1=λ,λ2=kλ1,其中(λ1>=λ2,故k<=1)
假设R>0,就有(高中数学中的对勾函数的极值问题,或者直接求导):
故调节α就可以设置k的数值范围:
当α增大至0.25时,k就只能取1了;当α减小至0时,k的取值就是(0,1)了,也就是α值增大,k的取值区间减小,那么检测到的角点就变少,也就是检测灵敏性降低(但是更加准确);α值减小,k的取值区间增大,那么检测到的角点就变多,也就是检测灵敏性增加(但是会带来误检测)
0 0
- 图像局部特征学习(笔记1之Harris角点)
- 图像局部特征学习(笔记1之具有尺度不变性的Harris角点)
- 图像局部特征(二)--Harris角点检测子
- 图像局部特征学习(笔记1之SUSAN角点检测)
- 图像特征之harris角点
- 图像特征之Harris角点检测
- 图像局部特征学习(笔记1之图像尺度)
- 图像局部特征学习(笔记1之斑点检测)
- 图像局部特征学习(笔记1之边缘检测)
- 局部特征——Harris角点
- 【局部特征】二、Harris角点
- 图像处理学习笔记(五):Harris角点检测
- 图像特征检测之Harris角点算法
- OPENCV的学习:图像特征检测之Harris角点算法
- OpenCV2学习笔记(十):特征点检测之Harris法
- 局部特征(2)——Harris角点
- 局部特征(2)——Harris角点
- 局部特征(2)——Harris角点
- hdu1573 中国剩余问题定理 模数非互质
- zoj1505 双向bfs
- Java知识整理(十一)之枚举
- 数据结构之队列
- C++友元函数
- 图像局部特征学习(笔记1之Harris角点)
- CodeForces 578C Weakness and Poorness(三分法+最大子段和)
- WORD编辑
- iOS中的动画
- Java知识整理(十二)之反射
- POJ - 1384 Piggy-Bank(01背包)
- oracle 获取表结构信息的SQL
- android bundel
- 判断主机的字节序