图像特征提取
- 特征提取式计算机视觉的基本步骤
- 特征:能够反应图像内容的细节
- 边缘和轮廓
- 可靠的边缘和关键点提取,能够解决很多视觉问题
- 边缘
- 物体的边界
- 表面方向的改变
- 不同的颜色
- 光照明暗的变化
边缘提取
- 边缘的定义
- 图像中亮度突然变化的区域
- 灰度构成的陡峭区域
- 灰度的阶跃变化或屋脊变化的集合
- 边缘类型
- 阶梯状边缘
- 屋脊状边缘(渐变)
- 线条状边缘
- 动机
- 最基本的图像特征
- 对图像的变化(几何、灰度、光照)不敏感
- 思路
- 抑制噪声(LP)
- 边缘特征增强(HP)
- 边缘定位
- 微分算子
- 一阶微分算子:梯度,检测最大值
- 幅值表示边缘的强弱,方向表示灰度变化最快的方向
- 对噪声敏感——抑制噪声(滤波——对算子微分后卷积滤波)
- Prewitt:近似一阶微分,去噪+增强边缘
- Sobel:近似一阶微分,四邻域权重更大
- 二阶微分算子:拉普拉斯,检测过零点
- Laplacian:方向属性丢失,对噪声非常敏感
- LOG:先高斯平滑,在Laplacian滤波——对算子微分后滤波
- 草帽滤波器
- 可以分两部实现,灵活性更大
- 定位准确,但是产生很多封闭轮廓,过零点检测也需要复杂算法
- 一阶微分算子:梯度,检测最大值
- Canny边缘检测
- 最优原则:边缘检测(边缘比噪声明显)+好定位(极大值抑制)+低错误(单极值点)
- 计算梯度——局部极值
- 非极大值抑制——仅保留梯度方向的极大值点
- 双阈值提取边缘
- 大阈值——少量边缘点,大量的空隙
- 小阈值——大量边缘点,大量的错误
- 边缘链接:大阈值结果沿小阈值结果延伸
- 参数少,计算效率高,边缘连续完整
特征点提取
-
特征点是基础
-
好的角点检测算法
- 真实角点
- 准确定位
- 稳定性好
- 对噪声鲁棒
- 较高的效率
-
Harris角点检测:从小窗观察图像特征
- 角点:窗口任意方向都有明显的灰度变化
- 边缘:边缘方向上没有明显变化
- 窗口平移 产生的灰度变化
- 对二次项泰勒展开,得到形式
- 对微小的平移,可以表达成
- 利用其椭圆形式,将问题转化为 的特征值分析(最大和最小的特征值分别对应变化最快和最慢的方向)
- 平坦区域,两个特征值都很小
- 边沿,其中一个明显大于另一个
- 角点,二者都很大,且数值相当
- 角点相应函数
- 一般取0.04到0.06
- 角点,R为大正数
- 边缘,R为大负数
- 平坦区,R为小数值
- 算法
- 对 进行阈值处理
- 提取处理后的局部最大值
- 性质
- 旋转不变性(特征值不变)
- 灰度的仿射变换具有部分不变性(平移加法不变,尺度数乘有变)
- 几何尺度有变
-
ORB特征检测
- FAST(特征检测) + BRIEF(特征描述)
- 快速、兼顾准确性
- FAST:灰度值比周围足够多的像素点灰度值大或小,即为角点