基于光强的角点检测（SUSAN角点检测、FAST角点检测、FAST-ER角点检测）

Corner Feature Detector(Intensity-Based)

基于光强比较的角点检测，直接比较光强（像素灰度值），而不计算梯度。所以实时性更好，所需的存储空间更小。

SUSAN 角点检测

SUSAN 全称Smallest univalue segment assimilating nucleus，最小核同值区。提出者Smith与Brady, 1997.

SUSAN 使用一个圆形模板和一个圆的中心点，通过圆的中心点象素值与模板圆内其他象素值的比较，统计出与圆中心点象素值近似的象素数量，当这样的象素数量小于某一阈值时，则该圆中心点就被认为是角点。

• 圆形模板：通常是半径为3.5，37个像素的圆形
• 圆形模板中心点：圆心位置的像素
• 最小核同值区：像素值与圆心位置像素值接近的区域和（颜色接近的区域）

有两种划分（了解）：

平滑划分：$c\left(\vec{r},{\vec{r}}_0\right)=e^{-{\left(\frac{I(r)-I\left(r_0\right)}{t}\right)}^6}$

直接划分：$c\left(\vec{r},{\vec{r}}_0\right)=\{\begin{array}{ll}1& \text{ if }\left|I(\vec{r})-I\left({\vec{r}}_0\right)\right|\le t\\ 0& \text{ if }\left|I(\vec{r})-I\left({\vec{r}}_0\right)\right|>t\end{array}$

像素个数：$n\left(x_0,y_0\right)={\sum }_{(x,y)\ne \left(x_0,y_0\right)}c(x,y)$

像素个数与阈值$g$进行比较，以此判断角点。
$$R\left({\vec{r}}_0\right)=\{\begin{array}{cc}g-n\left({\vec{r}}_0\right)& n\left({\vec{r}}_0\right)<g\\ 0& \text{ otherwise }\end{array}$$

FAST 角点检测

实时性好，不具有旋转不变性。

主要思想：比较中心像素与圆内（这里的圆内指的是圆边经过的像素）16个像素，如果圆内存在n个相邻的像素块都比中心像素的亮度$I_p$加上一个阈值$t$亮，或者都比$I_p-t$暗，则就判断其为角点。n通常选择为12. FAST uses binary comparison with each pixel along a circle pattern against the central pixel。

算法描述：

1. 以候选的像素角点为中心，画一个半径为3的圆，这样圆上就会有16个像素块。
2. 比较pixel 1、pixel 9与中心像素的亮度值。如果它们距离$I_p$都在$p$的阈值内，即比$I_p+t$亮或比$I_p-t$暗，则该像素$p$不可能是角点。
3. 如果未能排除角点可能性，则判断pixel 5、pixel 13（可以观察到5、13是正交于1和9的）。如果$p$是角点，那么在1,9,5,13中至少有3个像素全部比$I_p+t$亮或全部比$I_p-t$暗。如果未满足该条件，则像素$p$不可能是角点。
4. 若还不能排除角点的可能性，则对所有16个像素块进行测试。判断n与12的大小。

在SUSAN上进行了改进，FAST效率极高，具有高重复性。但仍然存在一些问题：

1. 如果圆环上的16个像素，一半明显比中心暗，一半明显比中心亮，则也有可能是角点。但会被FAST拒绝。
2. 检测器的相率取决于像素点判断的顺序，无法保证最优。
3. 相邻的几个特征像素点容易被重复检测为角点（可以使用非极大值抑制）。

FAST-ER 角点检测

FAST-ER，Rosten 2010年提出的对FAST算法的改进。

主要改进在于：使用ID3决策树策略对FAST进行了加速，使得其更快。

关于ID3决策树，可以参考：https://blog.csdn.net/weixin_43977640/article/details/114336485

每个像素点$x$都能将全部像素构成的集合$P$分为三个集合$P_d,P_b,P_s$，即比$I_p-t$暗，比$I_p+t$亮，与之类似。这样就可以根据像素点$x$来对决策树进行进一步的划分。

一个任意的角点集合的信息熵：
$$H(Q)=(c+\bar{c}){\log }_2(c+\bar{c})-c{\log }_{2}c-\bar{c}{\log }_2\bar{c}$$

$c$是集合中的角点数量，$\bar{c}$是集合中的非角点数量。就是传统的信息熵计算方法。只不过把概率拆开写了。

而依据$x$会将训练集中的全部像素构成的集合划分为三个子集，作者规定他们的贡献度都一样，所以$x$的信息增益：
$$H_g=H(P)-H\left(P_d\right)-H\left(P_s\right)-H\left(P_b\right)$$

计算周围16个像素点的信息增益，选择增益最大的$x$，然后进一步递归构建决策树，直到递归结束。

这样构建出来的决策树可以正确分类训练集中的所有角点，因此非常近似地体现了FAST角点检测器的规则。