計算機視覺(4)隨記

Haugh transform

y = mx + b 這種直線表達有個缺點，當直線垂直X軸的時候，斜率是無窮大，在Haugh空間無法表示。爲了不這種狀況，咱們使用極座標表示。

將xy座標上的點映射到極座標空間。ρ與θ的關係就是個sin函數。表達意思和y=mx+b同樣，只是曲線的形狀變了。voting時要注意每一個區域的大小。

投票的時候，不是全部角度都投，通常只考慮梯度方向，由於邊緣和梯度垂直。下降閾值讓更多的直線被檢測到，對於strong Edge增大權重，weak Edge下降權重 能夠很容易把小物體檢測出來，加強小物體的邊緣投票，邊緣的強弱要經過幅值來看。對於粗細搜索，先用粗的bin範圍內搜索找到可能的位置，再經過小範圍精細，這種方法使用狀況不少。

示例：

image --> canny

canny --> Hough votes hough曲線上的亮點表示獲得的投票個數多，暗點表示投票個數小。

經過hough空間找到投票的極值，獲得原圖像中的一些邊緣。點越亮對應原圖像的線越長。

Hough Transform: Results

hough變換的目的是：找到二值圖像中經過足夠多數量點的全部直線，並分析每一個單獨的像素點，識別出可能經過他的直線，一條直線經過不少點說明這條直線足夠明顯。使用二維累加器統計直線被識別了多少次，該累加器的尺寸是ρ，θ，步長來定義

圖像局部特徵

局部特徵是圖像的局部表達，反應圖像的局部特殊性，只適用於對圖像進行匹配和檢索等等，對圖像理解並不合適。

圖像理解更關注全局特徵，好比顏色分佈，文理特性，主要是物體的形狀等等。全局特徵容易受到環境的干擾，好比光照，旋轉，噪聲等等，這些因素只要稍微變化對全局特徵的影響都很大。

相比全局特徵，局部特徵每每對圖像中一些線條的交叉，明暗變化受到的干擾很是少，這時咱們就須要引入局部特徵，進行圖像的匹配或者檢索類需求。

blob(斑點)一般指的是周圍有一些顏色，灰度差異的區域，比Corner抗噪要強，穩定性也好。

Corner指圖像中一個物體的拐角或者兩條直線的交叉部分。

Corner Detection: Mathematics

Moravel在四個方向上討論灰度變化值，而後將各個方向上灰度變化最小的值做爲Corner潛在值。

E(u,v) E表示窗口移動先後的灰度變化，u表示窗口在X軸上的移動距離，v表示窗口在y軸上的移動距離，w(x,y)是窗口函數。在4個方向找minE(u,v)大於某一個閾值來判斷x,y的位置是不是一個角點。這種方法的缺點是隻考慮了四個方向，若是矩陣框發生旋轉，那就會都檢測成了拐角，並且minE的值很容易搜到噪聲污染。

在(0,0)位置進行泰勒展開

M是一個協方差矩陣，表現的是全部方向上的強度變化率，他是對可能的角點周圍的小區域進行一個區內求和。求圖像的一階導，用sobel算子。

協方差矩陣的兩個特徵值給出的就是最大平均強度的變化以及垂直方向強度的變化。

Interpreting the eigenvalues

找兩個λ特徵值都大的點就是角點

Corner response function

Scale Space

多尺度下的圖像匹配，會用到高斯濾波

G越大越模糊