计算机视觉——特征检测

【本学期选修国科大高伟老师的计算机视觉课程，本人方向也是cv，因此想通过博客方式记录课程中比较重要的点，巩固并且进行一些扩展学习】

【本章节内容针对图像特征进行讲解】

瞳孔通过接收图像反射的光投射到视网膜上，神经元再将这种刺激传递给大脑，大脑做出反应，辨别出图像的类型。那么大脑是通过什么特征来辨别图像的呢?

边缘和轮廓是两个必不可失的研究方向

因此如果能对边缘和关键点可靠提取的话，很多视觉问题就基本上得到了解决！

而图像边缘的产生源于物体的边界、表面方向的改变、不同的颜色、光照明 暗的变化。

接下来我们将根据边缘定义、提取边缘意义和方法进行介绍。

1.边缘定义：

1.1   “边缘是图像中亮度突然变化的区域。”

1.2   “图像灰度构成的曲面上的陡峭区域。”

1.3   “像素灰度存在阶跃变化或屋脊状变化的像素的集合。”

2.提取边缘的意义

  边缘是最基本的图像特征之一：

  可以表达物体的特征、边缘特征对于图像的变化不敏感 、几何变化，灰度变化，光照方向变化 、可以为物体检测提供有用的信息、是一种典型的图像预处理过程

3.如何提取边缘

灰度图象边缘提取思路：

抑制噪声（低通滤波、平滑、去噪、模糊） 边缘特征增强（高通滤波、锐化） 边缘定位

拿下图黑到白为例子，我们以及通过灰度值1-0中变化最快的，也就是一阶导数极大值或者二阶导数过零点来判断边缘。

这边介绍一下比较重要的拉普拉斯算子：

拉普拉斯算子的数值近似   3*3卷积模版，也就是锐化效果，加剧边缘对比。

Laplacian of Gaussian (LoG)

首先用Gauss函数对图像进行平滑，抑制噪声 ，然后对经过平滑的图像使用Laplacian算子，利用卷积的性质LoG算子等效于： Gaussian平滑 + Laplacian 二阶微分。

接下来我将介绍一个边缘的检测器

Canny边缘检测器   

非极大值抑制：：由梯度幅值图像M(x,y)，仅保留极大值。

双阈值提取：使用大的阈值，得到： 少量的边缘点 、许多空隙

                      使用小的阈值，得到： 大量的边缘点 、大量的错误检测

 

 最后我们将介绍两种角点检测算法

Harris角点

基本思想：从图像局部的小窗口观察图像特征

角点定义：   窗口向任意方向的移动都导致图像灰度的明显变化

 数学表达：

 

 

对每一个窗口计算得到一个分数R，根据R的大小来判定窗口内 是否存在harris特征角。

定义：角点响应函数𝑅（与特征值相关）

𝑅 = det 𝑀 − 𝑘(trace 𝑀)2

det 𝑀 = 𝜆1𝜆2

trace 𝑀 = 𝜆1 + 𝜆2

 

Harris角点的性质 

1.角点响应函数𝑅对于图像的旋转具有不变性

2.对于图像灰度的仿射变化具有部分的不变性

3.对于图像几何尺度变化不具有不变性：随尺度变化，Harris角点检测的性能下降

FAST

【假设：若该点的灰度值比其周围领域内足够多的像素点的灰度值大或者小，则该点可能为角点。】

FAST算法步骤

1. 从图片中选取一个像素P，下面我们将判断它是否是 一个特征点。我们首先把它的亮度值设𝐼 𝑝 。

2. 设定一个合适的阈值t。

3.考虑以该像素点为中心的一个半径等于3像素的离散化的Bresenham圆，这个圆的边界上有16个像素.

4.如果在这个大小为16个像素的圆上有n个连续的像素点，它们的像素值要么都比𝐼 𝑝 +t大，要么都比 𝐼 𝑝 − t小，那么它就是一个角点。(白色虚线所示）

 进阶版思路：

1.仅检查在位置1，9，5和13四个位置的像素，首先检测 位置1和位置9，如果它们都比阈值暗或比阈值亮，再检 测位置5和位置13。

2.如果p是一个角点，那么上述四个像素点中至少有3个 应该必须都大于 𝐼 𝑝 +t或者小于 𝐼 𝑝 − t，因为若是一个角点， 超过四分之三圆的部分应该满足判断条件。如果不满足， 那么p不可能是一个角点。

3.对于所有点做上面这一部分初步的检测后，符合条件 的将成为候选的角点，再对候选的角点，做完整的测试， 即检测圆上的所有点。

FAST需要改进的地方：

1.由于FAST算法依赖于一个阈值t，因此算法还需要人为干涉；

2. FAST算法不产生多尺度特征而且FAST特征点没有方向信息，这 样就会失去旋转不变性