角点检测
索引地址:系列索引
角点
角点可以认为是图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点。角点就是极值点,在某个方面属性特别突出的点。角点可以是两条线的交叉处,也可以是位于相邻的两个主要方向不同的事物上的点。“角点”、“兴趣点”、“特征”在文献中的使用是相互间可替换的,这是个令人困惑的问题。
从图中可以看出:
- 角点:最直观的印象就是在水平,垂直两个方向上变换均较大的点,例如上面E和F是角点,可以迅速定位到。
- 边缘:仅在水平或者垂直方向有较大的变化,例如上面C和D是边界,可以大致找到位置。
- 平坦地区:在水平,垂直方向的变换量均较小,例如上面A和B是平坦地区,在图像中有很多存在
下面看一下角点的类型:
角点检测
角点检测是获取图像特征的一种方法,广泛用于运行检测,图像匹配,视觉跟踪,三维建模和目标识别等领域。也称为特征点检测。
角点检测算法可归纳为3类:基于灰度图像的角点检测、基于二值图像的角点检测、基于轮廓曲线的角点检测。
特征不变性
在特征点检测中经常提出尺度不变,旋转不变,抗噪声影响等,这些是判断特征点是否稳定的指标。那么什么是特征呢?什么又是局部不变特征呢?下面一一学习。
什么是特征?
每个物体,我们总可以用一些词语或部件来描述它,比如人脸的特征:两个眼睛,一个鼻子和一个嘴巴。对于图像而言,我们需要计算机去理解图像,描述图像就需要计算机去取得图像的特征,对图像比较全面的描述即是一个二维矩阵,矩阵内的每个值代表图像的亮度。有时候我们需要让计算机更简化的描述一个图像,抓住一些显著特征,这些特征要具有一些良好的性质,比如局部不变性。局部不变性一般包括两个方面:尺度不变性与旋转不变性。
- 尺度不变性:人类在识别一个物体时,不管这个物体或远或近,都能对它进行正确的辨识,这就是所谓的尺度不变性。尺度空间理论经常与生物视觉关联,有人也称图像局部不变性特征为基于生物视觉的不变性方法。
- 旋转不变性:当这个物体发生旋转时,我们照样可以正确地辨认它,这就算所谓的旋转不变性。
局部不变特征
全局特征:从整个图像中抽取的特征。较多的运用在图像检索领域,如图像颜色直方图。
局部特征:从图像的局部区域中抽取的特征(这个局部区域往往是图像中的一个像素及它周围的邻域)
一个好的局部特征应该具有以下的特征:
- 可重复性:同一个物体在不同时间,不同角度拍到图像中,检测到的特征对应的越多越好。
- 独特性:特征在该物体上表现为独特性,能与场景下其他物体区分。
- 局部性:特征往往是物体某个局部的特点,这样才可以避免遮挡时不能匹配的问题。
- 数量性:检测到的特征数目一定要多,密集度最好能在一定程度上反映图像的内容。
- 准确性:得到的特征应该能被精确定位,能够精确到像素。
- 高效性:特征检测算法运算要快。
那么什么是好的角点检测算法:
- 检测出图像中“真实”的角点
- 准确的定位性能
- 很高的重复检测率
- 噪声的鲁棒性
- 较高的计算效率
角点检测
https://blog.jackeylea.com/opencv/opencv-corner-detection/