数字影像特征提取

2021/4/9
6
2、Forstner算子
• （1）计算各像素的Robert’s梯度
• （2）计算ll（如55或更大）窗口中灰度的协方
差矩阵 • （3）计算兴趣值q与w • （4）给定一经验阈值，将兴趣值大于阈值的点作
为候选点。 • （5）选取候选点中的极值点作为特征点。
即在一个适当窗口中选择最大的待选点
（2）由于Moravec算子采用的是方形的windows，因此的E的响应比较容易受到干 扰，Harris采用了一个较为平滑的窗口——高斯函数。
（3）Moravec算子对边缘响应过于灵敏。为此，Harris提出了对E进行变形，变成 了二次型。
2021/4/99来自3、Harris算子Harris算子实现的步骤如下：
2021/4/9
10
3、Harris算子
Harris角点检测算法有诸多优点：
A 旋转不变性，椭圆转过一定角度但是其形状保持不变（特征值保持不变） B 对于图像灰度的仿射变化具有部分的不变性，由于仅仅使用了图像的一阶导数，对 于图像灰度平移变化不变；对于图像灰度尺度变化不变
当然Harris也有许多不完善的地方：
2021/4/9
7
3、Harris算子 『Review』Moravec角点检测算子的思想其实特别简单，在图像上取一个W*W的
“滑动窗口”，不断的移动这个窗口并检测窗口中的像素变化情况E。像素变化情况E可简单 分为以下三种：A 如果在窗口中的图像是比较平坦的，那么E的变化不大。B 如果在窗口中的 图像是一条边，那么在沿这条边滑动时E变化不大，而在沿垂直于这条边的方向滑动窗口时， E的变化会很大。C 如果在窗口中的图像是一个角点时，窗口沿任何方向移动E的值都会发生 很大变化。
2021/4/9
15
二、 特征线的检测方法
2、梯度算子
Roberts 算子采用对角线
方向相邻两像素之差近似的 梯度幅值来检测边缘。算子 定位比较精确，但由于不包 括平滑，所以对于噪声比较 敏感，检测水平和垂直边缘 的效果好于斜向边缘，定位 精度高，对噪声敏感。
2021/4/9
16
二、 特征线的检测方法
3、差分算子
Prewitt算子（平均差分 法）是一种一阶微分算子的边
缘检测，利用像素点上下、左右 邻点的灰度差，在边缘处达到极 值检测边缘，去掉部分伪边缘， 对噪声具有平滑作用 。其原理是 在图像空间利用两个方向模板与 图像进行邻域卷积来完成的，这 两个方向模板一个检测水平边缘， 一个检测垂直边缘。
2021/4/9
18
二、 特征线的检测方法
4、拉普拉斯算子
Laplacian 算子是二阶微分算子，
利用边缘点处二阶导函数出现零交叉 原理来检测图像的边缘。算子不具方 向性，对灰度突变比较敏感，定位精 度高，同时对噪声比较敏感，且不能 获得边缘方向等信息。
2021/4/9
19
2021/4/9
20
感谢您的阅读收藏，谢谢！
A 它对尺度很敏感，不具备几何尺度不变性。 B 提取的角点是像素级的。以至于后来又有许多牛人提出了更多更完善的检测算子
2021/4/9
11
二、 特征线的检测方法
1、直方图法 2、梯度算子 3、差分算子 4、拉普拉斯算子
2021/4/9
12
二、 特征线的检测方法
1、直方图算子
•前景、背景的灰度值域的确定 •X轴-----灰度，Y轴------灰度出现的频率 •理想状态，存在双峰分布 •波谷对应的分割点X0即为分割点
（1） 首先确定一个ｎ×ｎ 大小的影像窗 口，对窗口内的每一个像素点进行一阶差 分运算，求得在ｘ，ｙ 方向的梯度。
（2） 对梯度进行高斯滤波，高斯卷积模 板σ取值为0.3～０.9。
（3） 根据公式计算出矩阵Ｍ 值。
（4）选择局部极值点在一个适当大小的 窗口内选取兴趣的最大值或者最大的几个 值的像元作为角点提取出来。
2021/4/9
3
2021/4/9
4
一、特征点的提取算法
1、Moravec算子
Moravec算子思想是: 以像元的四个方向上 最小灰度方差表示该 像元与邻近像元的变 化情况, 然后在图像的 局部选择具有最大的 兴趣值的点。
2021/4/9
5
一、特征点的提取算法 2、Forstner算子
Forstner算子思想是: Forstner 算子通过计算各个像素Robert 梯度和像素（ｒ，ｃ）为中心 的一个窗口灰度协方差矩阵， 在影像中寻找尽可能小且接近 圆的误差椭圆的点作为特征点。
直方图法优势
•算法简单，易于实现 •存在明显双峰分布的图象，效果较好， •受单个噪声的影响不大
2021/4/9
13
二、 特征线的检测方法
1、直方图法
注意：应用灰度直方图双峰法来分割图像， 也需要一定的图像先验知识，因为同一个 直方图可以对应若干个不同的图像，直方 图只表明图像中各个灰度级上有多少个象 素，并不描述这些象素的任何位置信息。
2021/4/9
2
一、特征点的提取算法
点特征主要指明显点，提取点特征的算子称为兴趣算子或有利算子
1、Moravec算子
Moravec于1977年提出利用灰度方差提取点特征的算子 。 （1）计算各像元的兴趣值（有利值） IV （2）给定一经验阈值，将兴趣值大于阈值的点作为候选点。 （3）选取候选点中的极值点作为特征点。
数字影像特征提取
COLLECTED BY CRYSTAL LO
2017-05-16
SOG SCNU
一、特征点的提取算法
• Moravec（莫拉韦克）点特征提取算子 • Forstner（福斯特纳）点特征提取算子 • Harris（哈瑞斯）点特征提取算子
• 二、 特征线的检测方法
• 直方图法 • 梯度算子 • 差分算子 • 拉普拉斯算子
该方法不适合直方图中双峰差别很大或双 峰间的谷比较宽广而平坦的图像，以及单 峰直方图的情况。
2021/4/9
14
二、 特征线的检测方法
2、梯度算子
图像的梯度可以用一阶导数和二阶偏导数来求解。 但是图像以矩阵的形式存储的，不能像数学理论中对直线或者曲线求导 一样，对一幅图像的求导相当于对一个平面、曲面求导。 对图像的操作，我们采用模板对原图像进行卷积运算，从而达到我们想 要的效果。 而获取一幅图像的梯度就转化为：模板（Roberts、Prewitt、Sobel、 Lapacian算子）对原图像进行卷积，不过这里的模板并不是随便设计的， 而是根据数学中求导理论推导出来的。
E就是像素的变化值。Moravec算子对四个方向进行加权求和来确定变化的大小，然后设定阈 值，来确定到底是边还是角点。
Harris角点检测算子实质上就是对Moravec算子的改良和优化。
2021/4/9
8
3、Harris算子
（1） Moravec算子对方向的依赖性太强，在上文中我们可以看到，Moravec算子 实际上只是移动了四个45度角的离散方向，真正优秀的检测算子应该能考虑到各个 现象的移动变化情况。为此，Harris采用微分的思想。
因为平均能减少或消除噪声，Prewitt梯度算子法就是先求 平均，再求差分来求梯度。水平和垂直梯度模板分别为：
2021/4/9
17
二、 特征线的检测方法
3、差分算子
Sobel 算子（加权平均差
分法）根据图像的像素点上 下、左右邻点灰度加权差在 边缘处达到极值这一现象来 检测边缘。算子对噪声具有 平滑作用，能提供较为精确 的边缘方向信息，边缘定位 精度不够高。当对精度要求 不是很高时，是一种较为常 用的图像边缘检测方法。