Harris的角点检测和特征匹配
一.特征檢測（提取）
? ? ? ? 基于特征的圖像配準方法是圖像配準中最常見的方法之一。它不是直接利用圖像像素值，二十通過像素值導出的符號特征（如特征點、特征線、特征區(qū)域）來實現(xiàn)圖像配準，因此可以克服利用灰度信息進行圖像配準的缺點，主要體現(xiàn)在以下三個方面：（1）利用特征點而不是圖像灰度信息，大大減少了在匹配過程中的計算量；（2）特征點的匹配度量值相對位置變化比較敏感，可以提高匹配的精度；（3）特征點的提取過程可以減少噪聲的影響，對灰度變化、圖像形變以及遮擋等都有較好的適應(yīng)能力。
? ? ? ?一類重要的點特征：角點（corner points），其定義主要有以下：
?
?
從圖像局部的小窗口觀察圖像特征，角點定義：窗口向任意方向的移動都導致圖像灰度的明顯變化（如下圖）
?
Harris檢測：數(shù)學表達
?
將圖像窗口平移[u,v]產(chǎn)生灰度變化E(u,v)
?
由泰勒展開，得：
?
利用角點響應(yīng)函數(shù)：
?
判斷特征點是否為角點的依據(jù)：R只與M值有關(guān)，R為大數(shù)值正數(shù)時特征點為角點，R為大數(shù)值負數(shù)時為邊緣，R為小數(shù)值時為平坦區(qū)，如下圖：
尋找R位于一定閾值之上的局部最大值，去除偽角點。
Harris角點檢測流程：
1.通過高斯函數(shù)的導數(shù)對原始圖像進行卷積計算；圖像在水平方向和垂直方向的導數(shù)Ix和Iy；
2.計算對應(yīng)這些梯度外積即（Ix2 、Iy2、IxIy）三個圖像如下圖：
4.使用高斯函數(shù)對以上圖像進行卷積濾波；
3.使用前面的公式計算角點響應(yīng)函數(shù)R值；
5.對計算到的角點圖像進行局部極大值抑制。
?
二、特征描述?
?在檢測到特征（關(guān)鍵點）之后，我們必須匹配它們，也就是說，我們必須確定哪些特征來自于不同圖像中的對應(yīng)位置。物體識別的核心問題是將同一目標在不同時間、不同分辨率、不同光照、不同位姿情況下所成的圖像相匹配。而為了進行匹配，我們首先要合理的表示圖像。
SIFT（Scale invariant feature transform）特征通過計算檢測到的關(guān)鍵點周圍16x16窗口內(nèi)每一個像素的梯度得到。在這里我只是簡單的實現(xiàn)類似于SIFT特征描述子的特征描述方法，即我通過每4x4的四分之一象限，通過將加權(quán)梯度值加到直方圖八個方向區(qū)間中的一個，計算出一個梯度方向直方圖，因此在每一個特征點都會形成一個128維的非負值形成了一個原始版本的SIFT描述子向量如下圖，并且將其歸一化以減少對比度和增益的影響，最后為了使描述子對其他各種光度變化魯棒，再將這些值以0.2截尾，然后再歸一化到單位長度。
??
三、特征匹配
一旦我們從兩幅或者多幅圖像中提取到特征及其描述子后，下一步就是要在這些圖像之間建立一些初始特征之間的匹配。
匹配策略一：對前面提取到的兩幅圖像的128維特征描述子向量做歐式距離度量，最簡單的一個策略就是先設(shè)定一個閾值（最大距離），然后返回在這個閾值范圍之內(nèi)的另外一個圖像中的所有匹配。
匹配策略二：做最近鄰匹配，即比較最近鄰距離和次近鄰距離的比值，即最近鄰比率（NNDR）。
匹配策略一的缺點是，如果閾值設(shè)得太高，就會產(chǎn)生誤報，也就是說會出現(xiàn)不正確的匹配。如果閾值設(shè)得太低，就會產(chǎn)生很多“漏報”，也就是說，很多正確的匹配被丟失。
固定閾值，最近鄰和最近鄰比率匹配。在固定閾值（虛線圓）下，描述子DA未能與DB匹配，DD錯誤地與DC和DE匹配。如果我們選擇最近鄰，DA和DE匹配。使用最近鄰比率（NNDR），小的NNDR（d1/d2）正確地將DA和DB匹配，大的NNDR（d1'/d2'）正確地拒絕DD與DC、DE的匹配。
代碼如下：
https://download.csdn.net/download/pbymw8iwm/10659247
總結(jié)
以上是生活随笔為你收集整理的Harris的角点检测和特征匹配的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： C++:14---虚继承，虚函数，多态
- 下一篇： nginx python webpy 配