图像特征点|Harris特征点

小白学视觉公众号开始有偿征稿啦~~~,有兴趣的小伙伴可以查看《双十一后,小白教你拒绝吃土!!!》

小白在之前的为小伙伴在前面的推送中带来了moravec算子,忘记了的小伙伴可以回过去看一下《图像特征点|moravec特征点》,但是moravec算子也具有很多不足之处。接下来小白将介绍Harris角点中针对其不足之处进行的改进地方。

1)Moravec算子各向异性响应

Moravec算子仅仅在8个方向(水平、垂直和四个对角方向)计算灰度变化,为了对其扩展,有必要设计一个可以在任何方向对灰度变化进行测度的函数。1988年,Harris和Stephen通过对Moravec算子进行展开,推导得到了Prewitt算子,也即Harris算子

我们先来看看与Harris相关的背景知识。通常,Prewitt算子被用来对图像的梯度进行近似。然而,在实际应用中,一阶梯度通过下图中的公式来进行近似:

对Morevec算子进行分析可以得到:两个Morevec窗口中对应像素差的和可以作为图像梯度的合理近似。我们再来看下图:

通过对上图的分析,我们有可以进一步得到:morevec算子中的灰度变化可以采用图像梯度进行近似

通过上面的分析,灰度的变化可以表示为图像梯度的函数,公式表示如下:

其中,(u,v)表示滑动,x方向为(1,0),y方向为(0,1),微分的计算如上图所示。

到这里,大家非常明了:上式可以对moravec算子中的灰度变化计算进行精确的逼近。但是又与Moravec算子中灰度变化不同的是通过合理的选择(u,v)可以对任何方向的灰度变化进行测度。

2)噪声响应 

在Moravec算子中,滑动窗采用的是方形的,方形窗使得不同方向上的中心像素与边界像素的欧式距离是变化的。为了克服这个问题,Harris&Stephen提出只需将方向窗改成圆窗。同时,窗中的每个像素是同等地位的,理论上应该是离中心越近的权重越大,而离中心越远,权重越小,因此我们加入高斯权重。因此,灰度变化的新测度方式可以通过下图来表示:

通过公式表示如下:

其中,wi表示位置i处的高斯权重。

边缘的强响应

因为Moravec算子在边缘处很容易出现误检,Harris&Stephen通过考虑不同方向的灰度度量形成新的角度性测度(cornerness measure)。接着,我们对上面的式子进行变换,如下式:

Harris&Stephen同时也注意到,上式可以写成:

对上面的矩阵M,其特征值与图像表面的主曲率是成正比的,并且形成了对M的旋转不变的描述(Proportional to the principle curvature of the image surface and form a rotationally invariant description of M)。然后,由于M是通过水平和垂直方向的梯度来近似的,他们不是真正的旋转不变。

同样,与Moravec算子一样,我们再来看下面的四张张图:

图中A表示在一个物体的内部或背景上,窗口内的灰度值相对不变,因此该窗口表面上几乎没有曲率,因此M的特征值相对很小;B窗口在一个边缘处,垂直于边缘的地方将有明显很大的曲率,而平行于边缘的地方几乎没什么曲率,因此该形式下M的特征值一个会比较大,另一个较小;C和D对应于角度和离散点,在两个方向都会有很大的曲率,因此,M的特征值都将会很大。假设r1和r2是M的两个特征值,通过上面的分析,可以将一个平面表示为以下三个可区分的区域:

Harris&Stephen提出下面的角点性测度: k一般取值04~0.6。

最后,我们来总结下Harris算子的计算步骤:

( 1)对每一个像素计算自相关矩阵M

(2)构造角点性映射图(Construct cornerness map)

(3)阈值化,对得到的C(x,y)进行阈值

(4)非极大值抑制

总结

Harris算子针对Moravec算子的不足进行了改进,提高了特征点的检测率以及Repeatability。但是,Harris算子计算量大,对尺度很敏感,不具有尺度不变形;另外Harris对特征点的定位也不是很精确,而且Harris也是各向异性的,对噪声敏感。

本文参考Belial_2010的博客,如有侵权请联系删除

https://blog.csdn.net/kezunhai/article/details/11265167

(0)

相关推荐

  • PCL—低层次视觉—关键点检测(Harris)

    除去NARF这种和特征检测联系比较紧密的方法外,一般来说特征检测都会对曲率变化比较剧烈的点更敏感.Harris算法是图像检测识别算法中非常重要的一个算法,其对物体姿态变化鲁棒性好,对旋转不敏感,可以很 ...

  • 在为LabVIEW中如何实现自动对焦而发愁?龙哥教你轻松搞定

    有很多小伙伴在问:LabVIEW中有没有自动对焦的函数,labview视觉中摄像头对焦能否实现自动调节? 如何评价一副图像的清晰度?可以通过以下算法定义并计算: Tenengrad梯度方法利用Sobe ...

  • 图像特征提取(颜色,纹理,形状)

    来源:新机器视觉 来自:小白学视觉公众号 编辑:王萌(深度学习冲鸭公众号) 著作权归作者所有,本文仅作学术分享,若侵权,请联系后台删文处理 后台回复西瓜手推获得西瓜书手推笔记 后台回复CV入坑必备获得 ...

  • 图像特征点|ORB特征点

    小白继续和小伙伴们一起学习图像特征点.今天我们来学习的最近十分流行的ORB特征点.该特征点由于其提取速度快.抗干扰能力强被广泛的应用在SLAM技术中.那么ORB特征点到底是何方神圣,等小白一点点解开神 ...

  • 图像特征点|SUSAN特征

    小白在前面分别介绍了:Moravec特征和Harris特征.今天我们将介绍另外一个特征检测算子---SUSAN特征.SUSAN算子很好听的一个名字,其实SUSAN算子除了名字好听外,她还很实用,而且也 ...

  • 图像特征点|Moravec特征点

    小白好久没有写文章了,近期的事情比较多,公众号的好多事情都是由师弟们在处理,今天终于抽出点时间可以和小伙伴们共同学习.本次为小伙伴们带来的是图像特征专题,Moravec特征点的原理与提取. 当我们描述 ...

  • (26条消息) 图像特征有:颜色特征、纹理特征、形状特征、空间关系

    一 颜色特征 (一)特点:颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质.一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献.由于颜色对图像或图像区域的 ...

  • 脑肿瘤的影像组学:图像评估、定量特征描述和机器学习方法

          影像组学描述了从影像图像中提取定量特征的一系列计算方法.其结果常常被用于评估影像诊断,预后以及肿瘤治疗.然而,在临床环境中,优化特征提取和快速获取信息的方法仍然面临重大挑战.同样重要的是, ...

  • 周期的特征周期的特征有哪些?①必然性,周...

    周期的特征 周期的特征有哪些? ①必然性,周期天热存在,不可避免,如同春夏秋冬和生老病死一样!客观的存在. ②波动性,每一次周期都不是直线上升或者直线下降,波浪式前进或者下降,而且不是对称性波浪,上升 ...

  • 综述 | 美国范德堡大学:利用单细胞组学技术对胃肠道疾病进行研究:从单细胞特征到病人特征

    编译:不二,编辑:十九.江舜尧. 原创微文,欢迎转发转载. 导读 单细胞是组织系统的组成部分,决定了器官表型.行为和功能.了解细胞类型和它们的活性差异可以提供有关正常组织功能.疾病发展和新治疗策略的见 ...

  • 谦和既济2020终之气的气候特征和疾病特征展望2021辛丑年

    按照<黄帝内经>中关于五运六气在一年中的分段方法,小雪节气起,就是进入终之气阶段. 我们回顾一下2020年的六个气的分段. 初之气: 初之气:自1月20日起至3月19日,包括大寒.立春.雨 ...

  • 你了解你的孩子吗?——6-18岁学生的认知特征、心理特征和父母沟通要点

    [守望新教育 守望真善美][新教育主题歌]-- 教育是一首诗,诗的名字叫青春.在躁动不安的灵魂里,有一个年轻的梦.教育是一首诗,诗的名字叫创造.在探索求知的丛林里,有一面个性的旗.......教育是一 ...