区域检测算法-MSERs

区域检测算法-MSERs：最大稳定极值区域

 参考书籍——《图像局部不变性特征与描述》王永明、王贵锦著

 

MSER最大极值稳定区域的提取步骤：1.像素点排序   2.极值区域生成   3.稳定区域判定   4.区域拟合   5.区域归一化

MSER算法介绍：参看博客——http://www.cnblogs.com/frischzenger/p/3334569.html

问题综合：

1.《图像局部不变性特征与描述》P103,分水岭算法的思想是怎么样的？

答：1）分水岭算法步骤和opencv如何实现？

分水岭算法（理论+opencv实现）。参看博客——http://www.cnblogs.com/wjy-lulu/p/7056466.html

2）几个概念1. 局部最小值点，该点对应一个盆地的最低点，当我们在盆地里滴一滴水的时候，由于重力作用，水最终会汇聚到该点。注意：可能存在一个最小值面，该平面内的都是最小值点。
      2. 盆地的其它位置点，该位置滴的水滴会汇聚到局部最小点。
      3. 盆地的边缘点，是该盆地和其它盆地交接点，在该点滴一滴水，会等概率的流向任何一个盆地。

图像处理——分水岭算法。参看博客——https://blog.csdn.net/fengye2two/article/details/79116105

 

2.P107-P109,MSERs检测的P109Component Tree树是建立理解了，但是?=2如何圈出的3个椭圆区域，最后怎么得到MESR？

注：?为灰度阈值的微小变化量，即表示微小的阈值变化（注水），当vi小于给定阈值时认为该区域为MSER。

答： 1）Component Tree原理：当前元素和所有周围邻近当前区域的元素并且小于当前元素的区域都属于该区域。参看博客：https://blog.csdn.net/robin1987z/article/details/49533457

2）ER提取方式：参看博客：https://blog.csdn.net/weixin_40788815/article/details/86572690

3）ER区域筛选。参看博客：https://blog.csdn.net/qq_25458977/article/details/77984179

4）在输出中，每个MSER都由一个局部强度极小值和一个阈值来表示。此算法的结构和一种高效的分水岭算法是一样的。然而，两种算法的输出结构不同。在分水岭计算中，着重点在于区域合并以及分水岭盆接触的阈值。这种阈值非常不稳定，在一次合并后，区域的面积突然变化，在MSER检测中，找到一组阈值，这样使得分水岭盆有效地保持不变。
参看博客：https://blog.csdn.net/songzitea/article/details/8864291

5）MSER最稳定极值区域源码分析。参看博客：https://blog.csdn.net/FL1623863129/article/details/53957483

6）MSER 检测器通过输入图像的强度范围逐步进行, 以检测稳定区域。Thresholddelta参数确定检测器测试的稳定性增量数。你可以把阈值三角洲值想象成杯子的大小, 让水桶里的水。杯子越小, 填充桶所需的增量次数就越多。桶可以被认为是该地区的强度分布。

MSER 对象检查不同强度阈值之间区域区域大小的变化。变化必须小于Maxarea证变性参数的值才能被认为是稳定的。
在较高的层次上, MSER 可以通过考虑表示一系列桶的图像的强度分布来解释。想象一下, 水桶的顶部与地面齐平, 其中一个水桶打开了一根软管。当水灌入水桶时, 它溢出, 下一个水桶开始灌满。较小的水域结合在一起, 成为更大的水体, 最后整个区域都被填平了。当水被灌入水桶时, 将根据 MSER 稳定性标准对其进行检查。区域在不同强度阈值下出现、增长和合并。

详细参看博客：Matlab mser(最大极值稳定区域)——https://www.cnblogs.com/dawnminghuang/p/3779552.html

 

3.P109,MSERs问什么检测不出黑底白字？原图是一个MSER，而反转图有5个？

答：原图K没有被检测出来是因为MSER检测是按灰度值递增，由0->255的，而K是黑底白字，所以当水增长时都流走，而没有汇聚。为了得到更多的信息，检测更多的区域，所以需要将图像反转。

原图一个MSER：黑色的O

反转图5个MSER：P111图5-14上灰度为35到-115有4个稳定的，灰度165那行右侧有一个全黑的O

 

4.P113,MSERs区域拟合中图像的矩原理是什么及各阶矩表示什么？

答：图像的矩通常描述了该图像形状的全局特征，并被广泛的应用在各种图像处理、计算机视觉和机器人技术领域的目标识别与方位估计中。

一阶矩与形状有关，二阶矩显示曲线围绕直线平均值的扩展程度，三阶矩则是关于平均值的对称性的测量。不变矩是图像的统计特性，满足平移、伸缩、旋转均不变的不变性。
        如果把图像看成是一块质量密度不均匀的薄板，其图像的灰度分布函数f(x,y)就是薄板的密度分布函数，则其各阶矩有着不同的含义，如零阶矩表示它的总质量；一阶矩表示它的质心；二阶矩又叫惯性矩，表示图像的大小和方向。事实上，如果仅考虑阶次为2的矩集，则原始图像等同于一个具有确定的大小、方向和离心率，以图像质心为中心且具有恒定辐射率的椭圆。

详细参看博客：1）图像的几何矩——https://www.cnblogs.com/wyuzl/p/7846384.html

2）图像的矩，以及利用矩求图像的重心，方向——https://blog.csdn.net/qq826309057/article/details/70039397

3）扩：椭圆二次曲线的一般方程为，其中(x,y)为图像的坐标空间，B、C、D、E、F是二次曲线的参数。当满足

，时二次曲线为椭圆。方程中需要求解的参数有5个，所以至少采集5个点，得到5个方程以求得这5个参数。

具体二阶矩确定椭圆——https://blog.csdn.net/happyrs/article/details/16019885

 

图像的几何矩——https://www.cnblogs.com/llfisher/p/6557611.html 

 

转载于:https://www.cnblogs.com/Alliswell-WP/p/Algorithm_MSERs.html