注册网站空间,网站建设中服务器的搭建方式有几种,免费网站在线观看人数在哪,建筑工程网上办事系统本文着重介绍了用于图像特征点检测的算法#xff0c;FAST算法#xff0c;以及使用matlab的实现。
FAST算法是一种拐点检测算法#xff0c;其主要应用于提取图像中的特征点#xff0c;在动态成像的一系列图像中追踪定位对象。众所周知#xff0c;我们生活的世界是动态化的…本文着重介绍了用于图像特征点检测的算法FAST算法以及使用matlab的实现。
FAST算法是一种拐点检测算法其主要应用于提取图像中的特征点在动态成像的一系列图像中追踪定位对象。众所周知我们生活的世界是动态化的3D的如何关联动态化过程中的平移畸变旋转对象对每一帧的图像与上一帧之间的空间关系进行分析很大程度上需求我们在每一帧中找到对应的关键点。FAST方法拐点检测方法,简单来说就是用于提取图像中的关键点的算法为进一步的图像处理包括相机标定SLAM打下了基础。
1. FAST算法解析
FAST拐点检测算法使用了一个包含了16个像素点的圆来判断目标点P是不是一个真正意义上的拐点。这16个像素点标序号为1至16。对于每一个候选像素点P其强度为IpI_pIp (灰度图中即为该像素点的灰度值)。如果该圆中N个连续像素都比候选像素点P的强度亮很多或都比候选像素点P的强度暗很多那么P就被分类为一个拐点。 这个也比较好理解即找出局部范围内最亮或最暗的点作为局部图像的关键点。P为拐点所包含的情况如下:
条件1 : 一系列NNN个连续的像素点SSS∀s∈S,IxIpt{\forall} s\in S, I_x Ip t∀s∈S,IxIpt条件2 : 一系列NNN个连续的像素点SSS, ∀s∈S,IxIp−t{\forall} s\in S, I_x Ip - t∀s∈S,IxIp−t
满足两个条件其中的任意一个则可以认为像素点P为该局部区域的一个拐点。上述条件中NNN 为连续的像素点个数IxI_xIx为像素点xxx的强度ttt为设置的阈值。显然调整NNN以及阈值ttt可以影响被分类为拐点的像素点P的个数。NNN值越大被分类为拐点的像素点个数就会减少同样ttt值越大被分类为拐点的像素点个数也会减少。 tips : 所谓的NNN个连续的像素点指的是例如N5N 5N5 , [1,2,3,4,5],[2,3,4,5,6]...[1,2,3,4,5], [2,3,4,5,6]...[1,2,3,4,5],[2,3,4,5,6]...这样的像素点称为NNN个连续的像素点。 接下来我们就看看使用matlab如何实现这个拐点检测算法FAST。
2. MATLAB实现
下面就放出matlab代码用于检测图像I中基于阈值t的拐点的函数。返回一个包含了这些拐点像素点坐标的矩阵。注释中详细解释了代码的原理。
function CS FAST(I,t)
% I : 灰度图片
% t : 用户选择的阈值% 定义一个矩阵描述了16个像素点关于待测像素点P的坐标关系。
% 需要注意的是这些坐标的定义(i,j)为先行后列。
List_voisinage [ -3 0;-3 1;-2 2;-1 3;0 3;1 3;2 2;3 1;3 0;3 -1;2 -2;1 -3;0 -3;-1 -3;-2 -2;-3,-1];
[height, width] size(I);
% 初始化CS矩阵为空矩阵
CS [];
const 3;
% 定义N个连续的像素点这里取值12可以根据需求更改
N 12;
% 由于我们要在整个图像上进行遍历因此在没有Padding补充的情况下需要考虑边缘的像素点
for i const1 : height - constfor j const1 : width - constIp I(i,j);% 与算法描述相同根据阈值规定上限下限upper Ip t;lower Ip - t;% 将P周围的16个像素点的坐标及他们的灰度值分别保存在coordonne_list 和% values_list 中 coordonne_list zeros(16,2);values_list zeros(16,1,uint8);for k 1:16coordonne_list(k,:) List_voisinage(k,:) [i, j];values_list(k,:) I(coordonne_list(k,1),coordonne_list(k,2));end% X1向量用于判断条件1是否满足X1 zeros(16,1); for k 1:16% 遍历给X1向量赋值 0 或 1 的逻辑值X1(k) values_list(k,1) upper; end cond1voisins X1;cond1verifiee 0;compteur 0;% 当条件1满足或数组已经循环平移过整个数组长度16时结束循环while ~cond1verifiee (compteur16)nbVoisinCond1 sum(cond1voisins(1:N));% 判断是否N个bool值都是1即X1前N项和为Ncond1verifiee (nbVoisinCond1 N);% cirshift函数用于循环平移数组cond1voisins circshift(X1,1);compteur compteur 1;end% 满足条件1的时候将目标点P的坐标添加进矩阵CSif cond1verifieeCS [CS;[i,j]]; else% 如果条件1不满足则继续判断条件2与条件一大同小异X2 zeros(16,1);for k 1:16X2(k) values_list(k,1) lower;endcond2voisins X2;cond2verifiee 0;compteur 0;while ~cond2verifiee (compteur16)nbVoisinCond2 sum(cond2voisins(1:N));cond2verifiee (nbVoisinCond2 N);cond2voisins circshift(X1,1);compteur compteur 1;end% 同样如果满足了条件2点P也分类为拐点将其坐标添加入矩阵CSif cond2verifieeCS [CS;[i,j]];end end end endend3. 使用FAST function进行拐点检测的实验
I1 imread(1.JPG);
I1_gray rgb2gray(I1);
cs1 FAST(I1_gray,30);
figure()
imagesc(I1)
hold on
plot(cs1(:,2),cs1(:,1),*)检测目标点结果如下 : 在这个实例中设置了N值为12阈值t为30。通过调整这两个变量可以改变提取出的关键点的个数。
\newline \newline \newline 参考文献 :
Rosten, Edward; Reid Porter; Tom Drummond (2010). “FASTER and better: A machine learning approach to corner detection”. IEEE Transactions on Pattern Analysis and Machine Intelligence. 32 (1): 105–119. arXiv:0810.2434. doi:10.1109/TPAMI.2008.275. PMID 19926902.
