计算机视觉(4)随记

2018-11-22 473 阅读3分钟

Haugh transform

y = mx + b 这种直线表达有个缺点，当直线垂直X轴的时候，斜率是无穷大，在Haugh空间没法表示。为了避免这种情况，我们使用极坐标表示。

将xy坐标上的点映射到极坐标空间。ρ与θ的关系就是个sin函数。表达意思和y=mx+b一样，只是曲线的形状变了。voting时要注意每个区域的大小。

投票的时候，不是所有角度都投，一般只考虑梯度方向，因为边缘和梯度垂直。降低阈值让更多的直线被检测到，对于strong Edge增大权重，weak Edge降低权重可以很容易把小物体检测出来，增强小物体的边缘投票，边缘的强弱要通过幅值来看。对于粗细搜索，先用粗的bin范围内搜索找到可能的位置，再通过小范围精细，这种方法使用情况很多。

示例：

image --> canny

canny --> Hough votes hough曲线上的亮点表示得到的投票个数多，暗点表示投票个数小。

通过hough空间找到投票的极值，得到原图像中的一些边缘。点越亮对应原图像的线越长。

Hough Transform: Results

hough变换的目的是：找到二值图像中通过足够多数量点的所有直线，并分析每个单独的像素点，识别出可能通过他的直线，一条直线通过很多点说明这条直线足够明显。使用二维累加器统计直线被识别了多少次，该累加器的尺寸是ρ，θ，步长来定义

图像局部特征

局部特征是图像的局部表达，反应图像的局部特殊性，只适用于对图像进行匹配和检索等等，对图像理解并不合适。

图像理解更关注全局特征，比如颜色分布，文理特性，主要是物体的形状等等。全局特征容易受到环境的干扰，比如光照，旋转，噪声等等，这些因素只要稍微变化对全局特征的影响都很大。

相比全局特征，局部特征往往对图像中一些线条的交叉，明暗变化受到的干扰非常少，这时我们就需要引入局部特征，进行图像的匹配或者检索类需求。

blob(斑点)通常指的是周围有一些颜色，灰度差别的区域，比Corner抗噪要强，稳定性也好。

Corner指图像中一个物体的拐角或者两条直线的交叉部分。

Corner Detection: Mathematics

Moravel在四个方向上讨论灰度变化值，然后将各个方向上灰度变化最小的值作为Corner潜在值。

E(u,v) E表示窗口移动前后的灰度变化，u表示窗口在X轴上的移动距离，v表示窗口在y轴上的移动距离，w(x,y)是窗口函数。在4个方向找minE(u,v)大于某一个阈值来判断x,y的位置是否是一个角点。这种方法的缺点是只考虑了四个方向，如果矩阵框发生旋转，那就会都检测成了拐角，而且minE的值很容易搜到噪声污染。