计算机视觉——图像特征之FAST角点检测（OpenCV/Python）

FAST角点定义

FAST角点定义为：若某像素点与周围邻域足够多的像素点处于不同区域，则该像素可能为角点。考虑灰度图像，即若某像素点的灰度值比周围邻域足够多的像素点的灰度值大或小，则该点可能为角点。

算法步骤

• 对于图像中一个像素点$p$，其灰度值为$I\_p$
• 以该像素点为中心考虑一个半径为3的离散化的Bresenham圆，圆边界上有16个像素(如下图所示)
• 设定一个合适的阈值$t$，如果圆上有n个连续像素点的灰度值小于$I\_p-t$或者大于$I\_p+t$，那么这个点即可判断为角点(n的值可取12或9)

一种快速排除大部分非角点像素的方法就是检查周围1、5、9、13四个位置的像素，如果位置1和9与中心像素P点的灰度差小于给定阈值，则P点不可能是角点，直接排除；否则进一步判断位置5和13与中心像素的灰度差，如果四个像素中至少有3个像素与P点的灰度差超过阈值，则考察邻域圆上16个像素点与中心点的灰度差，如果有至少9个超过给定阈值则认为是角点。

角点分类器

• 选取需要检测的场景的多张图像进行FAST角点检测，选取合适的阈值n(n<12)，提取多个特征点作为训练数据
• 对于特征点邻域圆上的16个像素$$\begin{gathered} x \\ in1,2,\dots ,16 \end{gathered}$$，按下式将其划分为3类
  
• 对每个特征点定义一个bool变量$K_p$，如果$p$是一个角点，则$K_p$为真，否则为假
• 对提取的特征点集进行训练，使用ID3算法建立一颗决策树，通过第$x$个像素点进行决策树的划分，对集合$P$，得到熵值为
  $$H(P)=(c+\hat{c})lo{g}_2(c+\hat{c})-clo{g}_{2}c-\hat{c}lo{g}_2\hat{c}$$
  其中$c$为角点的数目，$\hat{c}$为非角点的数目。由此得到的信息增益为
  $$\Delta H=H(P)-H(P_d)-H(P_s)-H(P_b)$$
  选择信息增益最大位置进行划分，得到决策树
• 使用决策树对类似场景进行特征点的检测与分类

非极大值抑制

对于邻近位置存在多个特征点的情况，需要进一步做非极大值抑制(Non-Maximal Suppression)。给每个已经检测到的角点一个量化的值$V$，然后比较相邻角点的$V$值，保留局部邻域内$V$值最大的点。$V$值可定义为

• 特征点与邻域16个像素点灰度绝对差值的和
• $$\begin{gathered} V=max({\Sigma }_{x\in S_{bright}}|I_{p \\ rightarrowx}-I_p|-t,{\Sigma }_{x\in S_{dark}}|I_{p\to x}-I_p|-t) \end{gathered}$$
  式中，$S_{bright}$是16个邻域像素点中灰度值大于$I_p+t$的像素点的集合，而$S_{dark}$表示的是那些灰度值小于$I_p-t$的像素点。

算法特点

• FAST算法比其他角点检测算法要快
• 受图像噪声以及设定阈值影响较大
• 当设置$n<12$时，不能用快速方法过滤非角点
• FAST不产生多尺度特征，不具备旋转不变性，而且检测到的角点不是最优

代码实现

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

# 1.读取图像
img = cv.imread("4.jpg")

# 2.Fast角点检测
# 2.1创建一个Fast对象，传入阀值，注意：可以处理彩色空间图像
fast = cv.FastFeatureDetector_create(threshold=30)

# 2.2检测图像上的关键点
kp = fast.detect(img, None)

# 2.3在图像上绘制关键点
img2 = cv.drawKeypoints(img, kp, None, color=(0, 0, 255))

# 2.4输出默认参数
print("Threshold：{}".format(fast.getThreshold()))
print("nonmaxSuppression：{}".format(fast.getNonmaxSuppression()))
print("neighborhood：{}".format(fast.getType()))
print("Total Keypoints with nonmaxSuppression：{}".format(len(kp)))

# 2.5关闭非极大值抑制
fast.setNonmaxSuppression(0)
kp = fast.detect(img, None)

print("Total Keypoints without nonmaxSuppression：{}".format(len(kp)))

# 2.6绘制为进行非极大值抑制效果
img3 = cv.drawKeypoints(img, kp, None, color=(0, 0, 255))

# 3.绘制图像
fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(10, 8), dpi=100)
axes[0].imshow(img[:, :, ::-1])
axes[0].set_title("原图")
axes[1].imshow(img2[:, :, ::-1])
axes[1].set_title("加入非极大值抑制")
axes[2].imshow(img3[:, :, ::-1])
axes[2].set_title("未加入非极大值抑制")
plt.show()