sift - 了解移除边缘的概念

Answer 1

由于标签 SIFT 表明问题/摘录与计算机视觉中使用的局部图像特征有关。摘录未涵盖您正在研究的算法如何删除边缘。要显示图像的边缘，您可以使用Wikipedia 上的 Canny Edge Detector。您的摘录基本上解释了如何在灰度图像中检测角点，这对于特征检测很有用。

动机如下：

• 自然图像包含大量复杂的视觉信息。您希望跨不同图像检测的对象可以旋转、变形、遮挡、在不同的照明条件下查看等。这使问题变得困难。
• 解决这个问题的一个想法是识别对象的较小部分并在图像中重新检测它们。如果这些部分的足够大的子集出现在另一个图像中，并且它们在几何上是一致的，那么您可能会认为该对象在另一个图像中是部分可见的。
• 现在，如果您使用矩形滑动窗口遍历图像，您必须确定该补丁是否包含足够的视觉信息，以便可以在不同的图像中重新检测到它。这是一个开放的问题。另请参阅Wikipedia 上的兴趣点检测

我们试图在低层次上简化问题，并尝试通过使用理论示例来避免概念上的错误。

• 作为简化，忽略颜色，因此我们有一个灰度图像。
• 一块只有白色像素的补丁在白墙上肯定不是唯一可识别的。比例，旋转，除了颜色之外的一切都是模棱两可的。这是您摘录中的“平坦区域” 。
• 假设在该局部补丁中有一个像素粗细的黑色直线。现在你有一些不那么模棱两可了。例如，如果您在另一幅图像中发现一条粗细为 2 像素的黑色直线，它可能是同一条线，并且比例因子为 2。但是，这条线从哪里开始，在哪里结束？通常，这被称为“边缘”。
• 然而，水平和垂直线的黑色十字很容易识别，而十字“开始”和“结束”的位置没有歧义。
• 类似地，一个“角”，即两条线在一个点结束，是一个很好的检测特征。

因此，声明“角落是伟大的关键点”。但是，也有“斑点”和“脊”（维基百科上的图像特征类型）。图像梯度算子是一个可以突出角状图像区域的函数。

• 将梯度视为两个像素之间的差异。对于垂直线，您会在水平方向上得到一个峰值（高差）。对于水平线，您会在垂直方向上得到一个峰值。
• 现在，如果您将这个梯度算子应用于补丁中的每个像素并从中构建直方图，那么摘录中提到的三种情况都适用。
• 由于补丁可能看起来是旋转的，因此您通常会首先分析定向梯度的直方图，以找到一个主要方向作为关键点的方向。然后看看正交方向是否有第二个峰值。