角点检测算子（Harris, KLT, SIFT,SUSAN）

角点检测：

       角点：最直观的印象就是在水平、竖直两个方向上变化均较大的点，即Ix、Iy都较大 。
        边缘：仅在水平、或者仅在竖直方向有较大的变化量，即Ix和Iy只有其一较大。
        平坦地区：在水平、竖直方向的变化量均较小，即Ix、Iy都较小。

 

一：Harris角点检测

        用 Harris 算法进行检测，有三点不足：（1）不具有尺度不变性；（2）提取的角点是像素级的；（3）算法检测时间较长，实时应用效果较差。

        Harris 算子是一种有效的点特征提取算子,其优点总结起来有: ①计算简单:Harris 算子中只用到灰度的一阶差分以及滤波,操作简单。②提取的点特征均匀而且合理:Harris算子对图像中的每个点都计算其兴趣值,然后在邻域中选择最优点。实验表明,在纹理信息丰富的区域,Harris 算子可以提取出大量有用的特征点,而在纹理信息少的区域,提取的特征点则较少。③稳定:Harris算子的计算公式中只涉及到一阶导数，因此对图像旋转、灰度变化、噪声影响和视点变换不敏感,它也是比较稳定的一种点特征提取算子。

        Harris 算子的局限性有：①它对尺度很敏感，不具有尺度不变性。②提取的角点是像素级的。

  

二：KLT角点检测

        KLT角点检测方法最初是用于满足Lucas-Kanade光流法选择合适特征点的需求，Lucas-Kanade光流法是通过先在前后两帧图像里分别建立一个固定大小窗口，然后找到让两个窗口间像素强度差的平方和最小的位移。然后将窗口内像素的移动近似为这样的位移向量，然后实际上，一方面像素移动并不会那么简单，另一方面窗口内像素并不都是同样的移动方式，因为这样的近似必然会带来误差。而现在的问题就是如何去选择合适的窗口，或者特征点，从而获得最为精确的跟踪。KLT角点检测方法就是为了选择一个适合跟踪的特征点，它认为一个好的特征点的定义应当就是能被好的跟踪。

 

三：SIFT角点检测

        尺度不变特征变换（Scale-invariantfeature transform），主要特点在于其多尺度信息描述，能够有效描述缩放，并且对 图像旋转、亮度、仿射变换、视角变化具有很好的适应性。

SIFT算法还具有如下一些特点：

1. 信息量丰富，即使少数的几个物体也可以产生大量的SIFT特征向量；

2. 特征区分度大，适用于在海量特征数据库中进行快速、准确的匹配；

3. 速度快，加速的SIFT算法可以达到实时。

        算法首先要理解多尺度（多个分辨率）的概念，也就是我们常说的图像金字塔，可以简单理解为图像的降采样，一般降采样过程分为两步：一是图像模糊，二是隔行采样。

        右侧是我们常说的高斯金字塔，所谓高斯金字塔在于上一级图像通过下一级图像进行高斯滤波得到，英文Octave是音乐上一个八度的意思，这里引申为一组分辨率相同的图像，一个Octave组采用了不同的高斯函数进行滤波，因此其模糊程度不一样，不同组的图像具有不同的分辨率（按照1/2降采样得到）。

        SIFT算法本质在于提取图像关键点，也就是在不同尺度空间下具有方向信息的局部极值点。（这些点不会因光照条件的改变而消失，比如角点、边缘点、暗区域的亮点以及亮区域的暗点）

        SIFT算法可以描述为以下步骤：

1.构建尺度空间

    根据高斯滤波处理输入图像，得到高斯金字塔，并建立如上图所示的高斯差分金字塔（DOG）；

2.极值点检测

    候选点P与同一尺度，上下相邻两尺度空间内相邻的 26 个像素点进行比较，以确保在图像空间和尺度空间都检测到局部极值；

3.关键点筛选

    选取在不同尺度（或者叫分辨率）下同时存在的极值点，称之为匹配点，匹配点不会因为尺度变化而消失。

四：SUSAN角点检测

        SUSAN是基于像素领域包含若干元素的近似圆形模板，对每个像素基于该模板领域的图像灰度计算角点响应函数（CRF），如果大于某阈值且为局部极大值，则认为该点为角点。角点的精度与圆形模板大小无关，圆形模板越大，检测的角点数越多，则计算量也越大。

        SUSAN角点检测可以参考OpenCV代码，其检测效果如下：