特征提取—Harris算子选编.pptVIP

汇报人：张琳;;几何变化 旋转 相似(旋转 + 各向相同的尺度缩放) 仿射 (非各向相同的尺度缩放)适用于: 物体局部为平面 灰度变化 仿射灰度变化 (I ? a I + b);图像的点特征是许多计算机视觉算法的基础：使用特征点来代表图像的内容 运动目标跟踪 物体识别 图像配准 全景图像拼接 三维重建 ; 特征点在许多文献中又被称为兴趣点(interest point)、角点(corner point),对特征点目前还没有统一的定义,一般认为特征点产生于两条或多条相对直线交叉的区域。不同的检测方法对特征点有不同的定义。 角点（corner points）： 局部窗口沿各方向移动，均产生明显变化的点 图像局部曲率突变的点 典型的角点检测算法： Harris角点检测 CSS角点检测 ;一种好的局部特征应该具有以下性质: (1) 可重复性:同一个物体或场景在不同的条件下(如视角、尺度发生变化),两幅图像中对应的特征越多越好。 (2) 独特性:特征的幅值模式需要呈现多样性,这样的特征才能被区分和匹配 。 (3) 局部性:特征应该是局部的,从而减少被遮挡的可能性,并且允许用简单的模型来近似两幅图像间的几何和成像变形。 (4) 数量性:一般来说,检测到的特征数目一定要多,但是在图像检索中,特征太多,又会对检索的实时性造成一定影响。理想情况是检测到的特征数量在一个比较大的范围内,然后可以通过一个简单的预知就可以调整。而这个阈值的调整可以通过在检索系统中的实验得以确定。 ;(5) 准确性:得到的特征应该能够被精确定位,包括图像空间和尺度空间上的精确定位。 (6) 高效性:检测和描述的时间越短越好,以便用于后续的实时应用。 这 6 条性质中,最重要的是可重复性。 Moravec[44]于 1977年提出 Moravec 角点算法,是最早提出的角点检测算法之一。该方法中,角点被定义为在各个方向(垂直、水平、对角线)都存在剧烈灰度变化的点 ;;从图像局部的小窗口观察图像特征 角点定义 ? 窗口向任意方向的移动都导致图像灰度的明显变化;;;写成矩阵形式：;窗口移动导致的图像变化：实对称矩阵M的特征值分析;;定义：角点响应函数R;; 用?Harris?算法进行检测，有三点不足：（1?）该算法不具有尺度不变性；（2?）该算法提取的角点是像素级的；（3?）该算法检测时间不是很令人满意。 基于以上认识，主要针对第（3?）点对Harris?角点检测算法提出了改进。 ; Harris?角点检测是基于图像像素灰度值变化梯度的，?灰度值图像的角点附近，是其像素灰度值变化非常大的区域，其梯度也非常大。换句话说，在非角点位置邻域里，各点的像素值变化不大，甚至几乎相等，其梯度相对也比较小。从这个角度着眼，提出了图像区域像素的相似度的概念，它是指检测窗口中心点灰度值与其周围n?邻域内其他像素点灰度值的相似程度，这种相似程度是用其灰度值之差来描述的。如果邻域内点的灰度值与中心点Image?(i,j)?的灰度值之差的绝对值在一个阈值t范围内，那就认为这个点与中心点是相似的。与此同时，属于该Image?(i,j)?点的相似点计数器nlike(i,j)?也随之加一。在?Image?(i,j)?点的n?邻域?全部被遍历一边之后，就能得到?在这个邻域范围内与中心点相似的点个数的统计值nlike(i,j)?。根据nlike(i,j)?的大小，就可以判断这个中心点是否可能为角点。; 由于我选择3*3?的检测窗口，所以，?对于中心像素点?,?在下面的讨论中只考虑其8?邻域内像素点的相似度。?计算该范围的像素点???中心像素点的灰度值之差的绝对值?(?记为?Δ?)? ,?如果该值小于等于设定的阈值?(?记为?t)? ,?则认为该像素点与目标像素点相似?。 ;(3)?? nlike (i , j) = 7 ,?可以归结为以下的两者情况?,?其他情形都可以通过旋转来得到?(?图中黑色区域仅表示与中心像素相似?,?而两个黑色区域像素可能是相似的?,?也可能不相似?)?。?对于图?1?(a)中?,?可能的角点应该是中心像素点的正上方的那个像素点?,?1(b)?图中可能的角点应该是中心像素点右上方的那个像素点?,?故这种情况下?,?中心像素点不应该作为角点的候选点?。;(4)?? nlike (i , j) = 1 ,?可以归结为图?2?中的两种情况?(?图中白色区域仅表示与中心像素不相似,?而两个白色区域像素可能是相似的?,?也可能不相似?) ,?在这两种情况下?,?中心像素点也不可能为角点?。;旋转不变性：;对于图像灰度的仿射变化具有部分的不变性;随几何尺度变化，Harris角点