区域检测——Harris角点
文章首发：xmoon.info
对于图像处理时经常需要提取特征点分析图片结构，将照片进行拼接，实现全景拍摄，那么在照片特征点提取时所采用的具体算法是什么呢？
解决思路
- 提取特征点
- 匹配特征点
- 使用RANSAC方法将两张图片的对应的特征点转换的方式拟合出来，在对图片采用相同的转换方式进行转换，在进行拼接
特征点——Corner
好的特征点是什么样的？
- 可重复性：在一张图可以被观测到的，在其他同场景的图也可以被观测到
- 显著性：检测的特征点需要是在某一类图像中“独有的”，尽量剔除“普遍性”的点，目的是为了将不同类的图区分开
- 简洁和高效：尽可能的减少计算量，提高计算效率
- 局部性：匹配特征时要匹配特征点之间的相对关系，通过局部特征相对位置来判断是否为同一张图，来拟合转动镜头角度，图像位置
什么样的点满足条件
通过观察图片的特征，发现存在“角”的地方承载着更多的信息，角点是梯度在两个或以上方向上有变化的点。
Basic Idea
- 使用一个较小的窗口在图像上延各个方向滑动
- 不同的变化趋势显示了不同的特征
- 图像内部所在的窗口延各个方向都没有变化；边缘所在的窗口延边缘方向无变化；角点所在窗口会在各个方向上都有显著的变化
数学描述
- \(u\)和\(v\)是平移量
- 求平移后的窗口与平移前的窗口的对应位置差的平方，再累加
- 乘上窗口权重，考虑每个点对窗口影响的不同程度，例如第二种的高斯函数权重，就是考虑中间的点的差值在整个窗口的影响度更大
- 二阶泰勒展开：为了能够直接观察到\(E(u,v)\)与\([u,v]\)之间的联系
取\(E(u,v)\)在\((0,0)\)的二阶展开作为近似解
计算化简泰勒展开式
其中\(I_x,I_y\)分别表示点\((x,y)\)在\(x\)方向,\(y\)方向的偏导，\(M\)是由一个二阶矩矩阵加权求和得到
矩阵\(M\)
类比方程\(y=ax+b\)决定方程特性的是\(a,b\)。则决定\(E(u,v)\)特性的是\(M\)，分析矩阵\(M\)就可以得到\(E(u,v)\)的特性
函数图像延竖直方向截取为一个椭圆，当梯度为零时，截面为圆，此时窗口位于图像内部；当延某一方向梯度为零时，界面为一个“正椭圆”，此时窗口位于边；当窗口位于角时，界面椭圆的形状反映了当前窗口下角的特性
-
正交矩阵\(R\)：使所截取的椭圆旋转\(R\)角度，变为一个“正椭圆”
- 当\(I_x,I_y\)任意一个趋于0，用\(\lambda\)表示，任意一个\(\lambda\)趋于0，都表示这个点不是角点
- 椭圆的半轴长度反应的是梯度变化的快慢，越长则梯度变化越快（将\(E(u,v)\)展开就可以得到椭圆的半轴表示为\(\lambda^{-\frac12}\)）
-
可视化
-
特征值简化——角点响应函数R
将\(\lambda_1,\lambda_2\)特征转化给\(R\)，最后判断只需判断\(R\)就可以确定是否为角点
Harris检测器
- 计算每个像素处的高斯导数
- 计算每个像素周围的高斯窗口中的二阶矩矩阵M
- 计算角点响应函数R
- 设置门限R
- 寻找响应函数的局部最大值(非最大抑制)
Harris的特性
- 当光线强度，明暗改变时，只是改变了部分角点的值，还有大部分的点可以用于检测，可以进行检测，
- 当改变位置，角度时，没有改变相对位置，可以检测
- 当改变窗口大小时，大窗口下是角点，而小窗口下是线或者边缘，无法检测
学习资源：北京邮电大学计算机视觉——鲁鹏
