Moravec算法-研究报告1

(20页)

'Moravec算法-研究报告1'
"Moravec角点检测算法”研究报告一、 Moravec角点检测算法的简介Moravec在1981年提出了 Moravec角点检测算子,并将它应用于立体匹配。 它是一种基于灰度方差的角点检测方法。该算子计算图像中某个像素点沿着水 平、垂直、对角线、反对角线四个方向的灰度方差,其中的最小值选为该像素 点的角点响应值CRF(Corner Response Function),再通过局部非极大值抑 制來检测是否为角点。二、 Moravec角点检测算法思想在图像中设计一个局部检测窗口,当该窗口沿各个方向作微小移动时, 考查窗口的平均能量变化,当该能量变化值超过设定的阈值时,就将窗口的中 心像素点提取为角点。此检测窗口可以是3*3,也可以是5*5。现在就以3*3为例,至于平均能量用兴趣值来表示。计算每个像素点的 兴趣值,就要在3*3的窗口中计算0度,45度,90度,135度四个方向灰度差 的平方和,取其屮最小值作为该像素点的兴趣值,具体公式 为:其中(u, v)是窗口移动的位移,(x, y)表示该窗口内的像素点的坐标,W (x,y)表示方形的二值窗口,若像素点在窗口内,则取值为1,否则为0。四 种移位(u,v) =(1,0), (1,1), (0, 1), (-1, 1),具体移位如图(原点在左上角, 原点下方纵坐标为正):三、角点检测的步骤1?对于每个像素点,计算在E (u, v)的值,如果是3*3, (u, v)的值是(1,0), (1, 1), (0, 1), (-1, 1)如果是 5*5 的窗口,(u, v)的取值是(1,0) , (1, 1) , (0, 1) , (-1, 1),(_1, 0) , (-1, -1),(0, -1) , (1, -1) 8 种情况。2.计算E (u, v)的最小值minValue3,.对于每个位置minValue进行判断,是不是大于设定的阈值,如果大于设定 的阈值,就进行非局部极大值抑制,判断是不是局部极大值。为什么要进行非局部极大值抑制?因为在一个窗口内,中心点附近的值也可能大于阈值,但是要在这个窗口內排 除这些值,确定局部的最大值,所以要进行非局部极大值抑制。四、moravec角点检测缺点分析及检测1.它不具备旋转不变性 2.对边缘点的反应比较强烈moravec只计算了一些离散的偏移产生的灰度值变化(最多是8个方向),如 图下所示,旋转之后,检测到角点不一样了。moravec统计的8个方向(最多 是 8 个方向)是 0° , 45° , 90° , 135° , 180° , 225° , 270° , 315°。如 果图像上的边缘上的某个点,在旋转前刚好是处于45。方向,此时检测到不是 角点(因为窗口在45°方向平移的时候,窗口内部像素值变化肯定很小),当 图像旋转10° ,此时该点处在55° ,那么现在就很有可能变成了一个角点(因 为窗口只有在55°方向平移的时候,窗口内部的灰度值变化才会取到最小值, 而55°不在moravec算法的统计之内)。具体如图:Original Image Image Rotated 30°下图中,是用3*3的窗口,对图像进行morave角点检测。虽然moravec 算法能把所有角点都检测出來,但是把边缘上面的很多点也作为角点了,对于 这种情况,我们应该是可以理解的。moravec算法对角点定义是:窗口在各个 方向的移动,窗口内的灰度值都会产生较大的变化。而其实这里的“各个方向 “,最多也就只有8个方向。所以,如果边缘的方向,是这8个方向以外的方 向,那么,就会被认为是角点。为了达到精确估计局部灰度值的变化程度,圆形的窗口才是理想的。圆形的窗口, 使得中心点到窗口的每一个边缘点的欧式距离基木是相等的。如图,左图是厂7窗口,右 图是半径为7的圆形窗口,可以看出,对于圆形窗口,从中心点到各个边缘点之间的欧式 距离更接近。这样更有利于评估局部灰度值的变化程度。为什么呢? “评估局部灰度值的变 化程度“,注意这句话里的一个关键词”局部“,那么什么是局部?如果我们使用厂7的正方 形窗口,那么这个正方形窗口就是局部,我们的评估局部灰度值的变化程度的时候,这49 个元素都会参与运算;当我们使用半径为7的圆形窗口的时候,那么这个半径为7的圆形 窗口就是局部,在这个圆形窗口内的灰度值都会参与运算。Max. Variation in Euclidean Distance = 0.17 units通常,我们认为,亘中心点更近的点,对该点影响也会大一些。既然离得比较近的 点対中心点的影响比较大,那么我们在评佔局部灰度值的变化程度的时候,应该赋予离中 心更近的点更大的权重才是合理的,而不是moravec使用的窗口值,只要在窗口内部,不 管远近,权重都是1.通过上血的分析,既要使用圆形的窗口,又要赋予离中心更近的点更大的权重,那 么高斯窗口就是比较好的一个选择了。5*5的高斯窗口如图所示:虽然看起來的也是方形 的,但是它在四个角落上的权重是非常小的,可以近似的认为是0,那么就可以认为是一 个圆形的窗口,并且,权重是离中心点越近变得越大。Gaussian Windoww1w2w3w4w5.004.015.026015.004w6w7w8w9w10015.059.095.059015w11w12w13w14w15.026.095.15.095.026w16w17w18w19w20015.059.095.059015w21w22w23w24w25.004015.026015.004 五、Moravec算法与其他两大主流算法比较1. Susan 算法SUSAN算子的模板与常规卷积算法的正方形模板不同,它采用一种近似圆形的模 板,用圆形模板在图像上移动,模板内部每个图像像素点的灰度值都和模板屮心像素的灰度 值作比较,若模板内某个像素的灰度与模板屮心像素(核)灰度的差值小于一定值,则认为该 点与核具有相同(或相近)的灰度,由满足这一条件的像素组成的区域称为吸收核同值区 (Univalue Segment Assimilating Nucleus, USAN)。1)算法上的明显差异Susan的模板为圆形,Moravec的模板为正方形;Susan是将模板内部的点与此时模 板的中心点进行对比,Moravec算法是将此吋模板内部的点与移动前模板的相应点进行对 比。2)定位准确性圧位准确性是判断提取的特征点位置是否接近正确的角点位置。以下是通过图片进行判断各算法的定位准确性:Susan算法Moravec 算法比较得出:Susan算法对角点的检测效果不太理想,检测出的点多连续,并存在严重 的检漏现象。而Moravec算法检测出的角点多连续,存在较多杂点。3)参数自
关 键 词:
Moravec 算法 研究 报告
 剑锋文库所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
关于本文
本文标题:Moravec算法-研究报告1
链接地址: //www.wenku365.com/p-43709033.html
关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服点击这里,给剑锋文库发消息,QQ:1290478887 - 联系我们

本站为“文档C2C交易模式”,即用户上传的文档直接卖给(下载)用户,本站只是中间服务平台,本站所有文档下载所得的收益归上传人(含作者)所有【成交的100%(原创)】。本站是网络服务平台方,若您的权利被侵害,侵权客服QQ:1290478887 欢迎举报。

1290478887@qq.com 2017-2027 //www.wenku365.com 网站版权所有

粤ICP备19057495号 

收起
展开