课件：特征提取—Harris算子.ppt

(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?。 图2（a） 图2（b） (5)? 2?≤?nlike ( i , j)?≤?6 ,?情况比较复杂?,?无法确认像素点准确的性质。我采取的方法是先将其列入候选角点之列，对其进行计算CRF?等后续操作。 旋转不变性： 椭圆转过一定角度但是其形状保持不变 （特征值保持不变） 角点响应函数 R 对于图像的旋转具有不变性 对于图像灰度的仿射变化具有部分的不变性 只使用了图像导数 = 对于灰度平移变化不变 I ? I + b 对于图像灰度的尺度变化: I ? a I R x (image coordinate) 阈值 R x (image coordinate) 随几何尺度变化，Harris角点检测的性能下降 Repeatability rate: # correspondences# possible correspondences C.Schmid et.al. “Evaluation of Interest Point Detectors”. IJCV 2000 THANK YOU SUCCESS * * 可编辑 * * * * M为梯度的协方差矩阵 * * 如果对每个点都求特征值，计算量大，l1l2反映了相对大小， l1+l2反映绝对大小 * * * * * * * * * 可编辑 可编辑 汇报人：张琳 基本概念及所需知识 Harris算子 程序设计及实验结果 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 平坦区域：任意方向移动，无灰度变化 边缘： 沿着边缘方向移动，无灰度变化 角点： 沿任意方向移动，明显灰度变化 图像灰度 平移后的图像灰度 窗口函数 将图像窗口平移[u,v]产生灰度变化E(u,v) 或 窗口函数 w(x,y) = Gaussian 1 in window, 0 outside 写成矩阵形式： 式中，Ix为x方向的差分，Iy为y方向的差分，w(x,y)为高斯函数 窗口移动导致的图像变化：实对称矩阵M的特征值分析 ?max, ?min ? M的特征值 缓慢变化的方向 快速变化的方向 (?max)-1/2 (?min)-1/2 E(u,v)的椭圆形式 ?1 ?2 “Corner”?1 和 ?2 都较大且数值相当 ?1 ~ ?2;图像窗口在所有方向上移动都产生明显灰度变化 如果?1 和 ?2 都很小，图像窗口在所有方向上移动都无明显灰度变化 “Edge” ?1