我有一个关于 Mikolajczyk 等人介绍的 Harris-Laplacian-Detector 的问题。使用哈里斯，您可以在每个特定尺度内搜索“角落”的最大值，然后使用拉普拉斯算子，您可以在比找到的哈里斯点的尺度大一个和小一个的尺度上搜索“斑点”的最大值。
为什么“blobness”在尺度上的最大化对角点有如此好的效果？我会假设，最好是搜索最大的“角落”（例如找到最大的哈里斯超过尺度）来找到好的角落点。
问问题
4051 次
1 回答
12
需要包含拉普拉斯算子以确保尺度不变性。
虽然适应尺度的 Harris 检测器确实具有非常好的可重复性（就检测位置而言），但尺度选择仍然是一个问题。他们注意到
在我们的实验中，我们注意到适应的 Harris 函数很少在 3D 空间中达到最大值。因此，我们建议使用不同的函数 Laplacian 来进行尺度最大值检测。
（来自基于尺度不变兴趣点的索引）
这在他的论文中有更详细的解释：
在我们的实验中（参见第 3.2.4 节），我们注意到适应尺度的 Harris 函数很少在尺度空间表示中超过尺度达到最大值。如果检测到的兴趣点太少，则无法可靠地表示图像。因此，我们放弃了搜索 Harris 函数的 3D 最大值的想法. 此外，实验表明，LoG 函数能够找到最高百分比的正确特征量表。因此，我们建议使用拉普拉斯算子来选择用哈里斯检测器提取的点的尺度。Harris-Laplace 检测器使用 Harris 函数（参见方程 4.1）来定位尺度空间表示的每个级别中的点。接下来，它选择高斯拉普拉斯算子（参见方程 4.2）在尺度上达到最大值的点。通过这种方式，我们将这两种方法结合起来，以获得一个可靠的兴趣点检测器，该检测器不受显着尺度变化的影响。
我没有任何直观的解释来解释为什么哈里斯函数在尺度上没有给出很多最大值，但根据经验，他们发现情况确实如此。看起来没有什么能阻止你使用 Harris 比例空间最大值，但你可能只会得到更少的检测。
于 2012-11-29T02:22:10.990 回答