Harris-Laplace原理

Harris-Laplace原理确保了在不同尺度下,图像中的角点特征能够被一致检测到。通过高斯卷积核计算微分,能有效抑制噪声并抵消尺度变化的影响。算法包括初始化、迭代细化搜索和尺度选择,以找到LoG响应的极值点,从而实现尺度不变性。简化算法则通过在尺度空间寻找角点并验证其为极大值来优化检测过程。
摘要由CSDN通过智能技术生成

Harris-Laplace原理

  1. 尺度不变性

    尺度:可以理解为照相时的焦距,尺度越大,图像越模糊,反之相反。高斯模糊可模拟焦距的调节,自然越大,尺度越大,图像越模糊。

    尺度不变性:

    1. 对于同一个角点,尺度变化时,此角点依然能够检测到即从重复性考虑。
    2. 不同尺寸图片中的相同角点的特征尺度范围()中的内容要相同,因此,不同尺度的图片的角点的特征尺度范围内的像素点与尺度成比例关系。

     

    上图两张图片尺寸和尺度都不一样,但是角点的特征范围内(即白色圆域)的内容都是白色小屋。

  2. 尺度可调节Harris检测

    1. Harris检测二阶矩或自相关矩阵如下:

            

    尺度调节Harris检测二阶矩或自相关矩阵如下:

            

    表示的高斯卷积核,

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值