python计算机视觉-局部图像描述子

局部图像描述子

Harris角点

角点（corner points）

• 局部窗口沿各方向移动，均产生明显的变化的点
• 图像局部曲率突变的点

不同类型的角点

角点检测算法

好的角点检测算法需具备以下特点：

• 能够检测出图像中“真实的”角点
• 拥有准确的定位性能
• 具有很高的稳定性
• 具有对噪声的鲁棒性
• 具有较高的计算效率

典型的角点检测算法有：

• Harris角点检测
• CSS角点检测

HARRIS角点检测算法的基本思想

• 从图像局部的小窗口观察图像特征
• 角点定义：窗口向任意方向移动都导致图像灰度的明显变化
  

Harris检测当中的数学表达

在上面的角点定义当中，我们知道判断角点需要判断窗口向任意方向移动时是否导致了图像灰度的变化，因此，我们可以将图像窗口平移[u,v]产生灰度变化E(u,v)用如下数学表达式表示：

该表达式当中，$I(x,y)$表示图像灰度，$I(x+u,y+v)$表示平移后的图像灰度，$w(x,y)$表示窗口函数

那么如何对$I(x+u,y+v)$以及$E(u,v)$进行求解？
首先我们将$I(x+u,y+v)$在$(x,y)$处进行泰勒展开，可以得到下式：
$I(x+u,y+v)=I(x,y)+I_{x}u+I_{y}v+O(u^2,v^2)$
然后将上式再代回原式中，便可得到：
$E(u,v)={\sum }_{x,y}w(x,y)[I_{x}u+I_{y}v+O(u^2,v^2){]}^2\approx {\sum }_{x,y}w(x,y)[I_{x}u+I_{y}v{]}^2$

对于局部微小的移动量$[u,v]$,便可得到以下表达式：

在该式中，M为2*2的矩阵，可由图像导数求得：

记M的特征值为${\lambda }_{}$