MSER仿射不变特征匹配算法

MSER原理简述

个人博客 OpenCV实践之MSER仿射匹配算法 已更新讲述MSER仿射匹配算法代码
　　
　　区域检测(Region Detection)方法是根据图像中具有某种同类性质的像元进行分类(例如相同像素值大小的点)，然后把具有相同性质的像元合并成区域，实现区域的检测即图像分割。MSER(Maximally Stable Extremal Regions最大极值区域检测)方法与一般的区域检测方法有所不同：首先MSER检测到的极值区域具有旋转、尺度以及仿射不变的适应能力。其次MSER检测图像中显著性特征区域(最为稳定的区域)。2002年Matas提出MSER算法采用分水岭算法来区域图像中稳定的区域。

　　MSER算子的主要思想为：设定一系列的阈值参数$∆$的范围[0 255]进行分割操作，高于阈值参数∆的图像像素设置为白色，相反低于$∆$的设置为黑色。在阈值参数$∆$不断改变过程中，会逐渐出现闭合区域。最后，在设置阈值参数$∆$的浮动范围内的极值点区域面积变化最小的判定为最大稳定极值区域。由于MSER只能单方面计算最大稳定极值区域，所以Matas提出通过图像反相来求取最小极值稳定区域。

MSER算子公式如下：$$Q_{ratio}(i)=\frac{|Q_{i+∆}-Q_{i-∆}|}{|Q_i|}$$
　　上式参数$Q_i$代表阈值为$i$时连通区域大小，$∆$为阈值变化系数，$Q_{ratio}$是区域$Q_i$在$2∆$范围内的变换率。当$Q_{ratio}$的比率值很小时，可以得出$Q_i$在变化范围$2∆$为最大稳定极值区域。MSER采取分水岭区域增长算法进行斑块极值轮廓的提取，同时MSER在区域提取阈值参数增长的过程中类似多尺度检测，不同阈值检测出不同的大小结构。由于MSER算法效率较低，2008年David Nister等提出改进MSER算法，借助于改进分水岭算法的理论，加快MSER算法检测效率。

图1 MSER区域检测示意图

　　从图1示意图显示MSER算法检测机制区域经过椭圆拟合以后的示意图，最小极值区域参数为100，最大极值区域参数为1000。图1中间显示稳定极大值区域检测，图1右边显示稳定极小值检测。那么上面的MSER检测到的极值区域是如何拟合成为椭圆的？

图2 区域拟合椭圆示意图

MSER仿射不变区域拟合

下面首先介绍一下椭圆一般代数方程求取椭圆长短半轴$(a,b)$，中心点$(x_{center},y_{center})$，方向角度$\theta$的求解公式。假设椭圆一般代数式如下：$$g(A,B,C,D,E,F)=A{x}^2+Bxy+C{y}^2+Dx+Ey+F$$

图3 椭圆示意图
那么根据椭圆一般方程式求取中心点坐标 $(x_{center},y_{center})$计算公式： $$x_{center}$$