最近在弄对齐,对齐里有个亚像素对齐,然后opencv里又有个角点亚像素refine,然后就到了角点...,这一系列关联下去,就去学了个角点,然后这些基本推导都非常类似...
看上去只要是扯到图像结构啥的,都会涉及到梯度啊,局部极小,然后taylor,hessian,特征值一系列都会有所涉及,所以原理推导基本都很类似。
1.harris角点认为局部移动导致变化强烈的点就是角点,然后公式里talor展开合并得到一个二次型,矩阵就是类hessian。二次型矩阵是实对称矩阵A,可以正交分解成特征值特征向量形式,然后空间内某方向的变化都可以由两个方向线性表达,所以变化量就是两特征值的组合。这里的类hessian是半正定矩阵,特征值全是非负的
2.角点就是变化强烈的地方,可以用特征值来衡量。 然后harris角点弄了个响应函数R(主要就是只用行列式与迹来组合判断特征值是否比较大),Tomasi后来的改良是直接判断最小特征值比较大,就是说图像有两个垂直方向,变化都很强烈,导致任意方向都很强烈
3.这里看上去有个有趣的推论:图像局部移动,肯定存在垂直的两个方向,这两个方向恰好就是是所有方向中的变化最大与变化最小的。
类似局部问题,只要taylor展开,类似推导,是半正定的二次型都这样。
链接里