计算机视觉：特征检测与匹配

特征检测与匹配

边缘检测

边缘是图像强度函数快速变化的地方。

1. 平滑：尽可能抑制噪声，而不破坏真实边缘。
2. 增强：应用过滤器增强图像中边缘的质量（锐化）。
3. 检测：确定哪些边缘像素应作为噪声丢弃，以及应该保留（通常，阈值提供了用于检测的标准）。
4. 定位：确定边缘的准确位置（亚像素分辨率对于某些应用程序可能需要，也就是说，估计边缘的位置要比像素之间的间距更好）。在这个步骤中，通常需要进行边缘细化和连接。

Sobel 算子

带噪声的边缘检测

图像处理之高斯一阶及二阶导数计算

Canny 算子

1. 使用高斯滤波器，以平滑图像，滤除噪声。
2. 计算图像中每个像素点的梯度强度和方向。
3. 应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。
4. 应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。
   • “滞后”阈值：
     • 定义两个阈值：低和高
     • 使用高阈值启动边缘曲线，使用低阈值继续它们
     • “跟随”边缘从强边缘像素开始
5. 通过抑制孤立的弱边缘最终完成边缘检测。

边缘检测之Canny

高斯拉普拉斯算子（LoG）

当边缘不是很锐利的时候，LoG的零交叉效果比梯度更好。

LoG高斯拉普拉斯算子介绍

关键点检测

1. 检测：找出一组与众不同的关键点。
2. 描述：提取每个兴趣点周围的特征描述符作为向量。
3. 匹配：计算特征向量之间的距离以找到对应关系。

Harris 角点检测

将 M 特征值分解：

根据λ1，λ2的值我们可以把其分为三类：

1. λ1，λ2都很小且近似，E在所有方向接近于常数；
2. λ1>>λ2,或者λ2>>λ1, E在某一方向上很大；
3. λ1，λ2都很大且近似，E在所有方向上很大。

1. 高斯模糊，计算 Ix，Iy；
2. 计算 $I{x}^2，I{y}^2$；
3. 高斯模糊；
4. 计算 C；
5. C 阈值检测；
6. 非极大值抑制。

非极大值抑制算法（Non-maximum suppression，NMS）的本质是搜索局部极大值，抑制非极大值元素。

Harris Corner（Harris角检测）

close all
clear all
 
I = imread('empire.jpg');
I = rgb2gray(I);
I = imresize(I,[500,300]);
imshow(I);
 
sigma = 1;
halfwid = sigma * 3;
 
[xx, yy] = meshgrid(-halfwid:halfwid, -halfwid:halfwid);
 
Gxy = exp(-(xx .^ 2 + yy .^ 2) / (2 * sigma ^ 2));
Gx = xx .* exp(-(xx .^ 2 + yy .^ 2) / (2 * sigma ^ 2));
Gy = yy .* exp(-(xx .^ 2 + yy .^ 2) / (2 * sigma ^ 2));
 
%%apply sobel in herizontal direction and vertical direction compute the
%%gradient
%fx = [-1 0 1;-1 0 1;-1 0 1];
%fy = [1 1 1;0 0 0;-1 -1 -1];
Ix = conv2(I,Gx,'same');
Iy = conv2(I,Gy,'same');
%%compute Ix2, Iy2,Ixy
Ix2 = Ix.*Ix;
Iy2 = Iy.*Iy;
Ixy = Ix.*Iy;
 
%%apply gaussian filter
h = fspecial('gaussian',[6,6],1);
Ix2 = conv2(Ix2,h,'same');
Iy2 = conv2(Iy2,h,'same');
Ixy = conv2(Ixy,h,'same');
height = size(I,1);
width = size(I,2);
result = zeros(height,width);
R = zeros(height,width);
Rmax = 0;
%% compute M matrix and corner response
for i = 1:height
    for j =1:width
        M = [Ix2(i,j) Ixy(i,j);Ixy(i,j) Iy(i,j)];
        R(i,j) = det(M) - 0.04*(trace(M)^2);
        if R(i,j)> Rmax
            Rmax = R(i,j);
        end
    end
end
%% compare whith threshold
count = 0;
for i = 2:height-1
    for j = 2:width-1
        if R(i,j) > 0.01*Rmax
            result(i,j) = 1;
            count = count +1;
        end
    end
end
 
%non-maxima suppression
result = imdilate(result, [1 1 1; 1 0 1; 1 1 1]);
 
[posc,posr] = find(result == 1);
imshow(I);
hold on;
plot(posr,posc,'r.');

Harris-Laplace 检测子

Harris 可以平移不变，但是放缩不行。Harris-Laplace 检测子建立 Harris 函数的多尺度空间，然后计算每个尺度里的局部 cornerness 角程度最大值，作为初始点；然后验证每一个初始点在LoG在尺度空间是否是极值点，不是极值点则删除。

使用 DoG 代替 LoG 算子：

Harris-Laplace检测子原理及实现
DoG算子和LoG算子

稳健匹配

尺度不变特征变换匹配算法（SIFT）

非常详细的sift算法原理解析

霍夫变换（Hough）

经典霍夫变换（Hough Transform）