[cv基础二]图像特征点提取

写在前面：图像的点特征是许多计算机视觉算法的基础。在运动目标跟踪，物体识别，图像配准，全景图像拼接，三维重建等方面，都使用特征点来代表图像的内容。角点是其中一类重要的点特征。下面就什么是角点及常见的角点检测算法进行介绍。

一，角点的定义

角点（corner points）：

1）局部窗口沿各方向移动，均产生明显变化的点；

2）图像局部曲线曲率突变点点。

不同类型的角点的示意图如图一。

 

二，角点检测算法

1.什么是好的角点检测算法？

1）检测出图像中“真实的”角点

2）准确的定位性能

3）很高的重复检测率（稳定性好）

4）具有对噪声的鲁棒性

典型的角点检测算法包括：Harris 角点检测 和 CSS 角点检测

 

2.Harris角点检测

2.1 基本思想

Harris角点检测的基本思想是从图像局部的小窗口观察图像特征。

也就是利用了角点的定义，窗口向任意方向的移动都导致图像灰度的明显变化。

对于平坦区域，窗口沿着任意方向移动，窗口内部的图像无灰度变化；

对于边缘区域，窗口沿着边缘方向移动，窗口内部的图像无灰度变化；

对于角点区域，窗口沿着任意方向移动，窗口内部的图像有明显的灰度变化。

Harris角点检测的算法是对角点响应函数R进行阈值处理。如果R > threshold，则该部分为要寻找的角点。

2.2 性质

1）旋转不变性：椭圆转过一定角度但是其形状保持不变，也就是特征值保持不变，因此角点响应函数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：对于灰度平移变化不变I->I+b；对于图像灰度的尺度变化：I -> aI

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

 

3.SIFT特征提取算法流程

3.1 基本思想

SIFT算法是在DoG尺度空间中提取极值点并进行优化从而获取特征点。

3.2 性质

1）不变性

对图像的旋转和尺度变化具有不变性；

对三维视角变化和光照变化具有很强的适应性；

局部特征，在遮挡和场景杂乱时仍保持不变性。

2）辨别力强

特征之间相互区分的能力强，有利于匹配

3）数量较多

一般500*500的图像能提取出约2000个特征点

4）扩展性强