興趣點，又被稱為點特徵，指的是圖像中具有特殊性質的像素點，是圖像的重要特徵。它具有旋轉不變性和不隨光照條件變化的優點。這類點被大量用於解決物體識別，圖像匹配，視覺跟蹤，三維重建等問題。
用於點特徵提取的運算元稱為興趣點運算元，常用的有Harris角點檢測、FAST特徵檢測、SIFT特徵檢測及SURF特徵檢測。
基本介紹
- 中文名：興趣點運算元
- 外文名：Interest point operator
- 歸屬學科：數字圖像處理
- 興趣點：圖像中的明顯點，如角點、折點
- 用來：圖像匹配;遙感影像定位
- 套用領域：計算機視覺
興趣點,檢測Harris角點,角點,數學模型,算法流程,檢測FAST特徵,SURF特徵,基本原理,算法流程,
興趣點
點特徵又被稱作為興趣點，指的是圖像中具有特殊性質的像素點，是圖像的重要特徵。它具有旋轉不變性和不隨光照條件變化的優點。一些圖像處理中利用點特徵進行處理既可以減少計算量又不會損失重要的灰度信息。經過對它們執行局部分析，如果能夠檢測到足夠多的這種點，同時它們區分度很高，並且可以精確定位穩定的特徵。這類點被大量用於解決物體識別，圖像匹配，視覺跟蹤，三維重建等問題。
點特徵主要指圖像中的明顯點，如建築物角點、邊緣兩端、折點等，在圖像匹配和遙感影像定位中很有用。常用的提取方法有邊緣提取法、角點檢測法、興趣運算元法等，方法雖然不同，但基本原則都是選擇局部灰度變化最大點作為特徵點，這樣可以保持特徵點鄰域內的紋理細節，減少後續的誤匹配率。用於點特徵提取的運算元稱為有利運算元或興趣運算元。針對點特徵的提取的運算元也有很多，自20世紀70年代以來出現一系列各不相同、各有特色的興趣運算元，知名的有Moravec運算元、Hannah運算元與Foistner等。
檢測Harris角點
角點
角點原理來源於人對角點的感性判斷，即圖像在各個方向灰度有明顯變化。算法的核心是利用局部視窗在圖像上進行移動判斷灰度發生較大的變化，所以此視窗用於計算圖像的灰度變化為：
[-1,0,1;-1,0,1;-1,0,1]、[-1,-1,-1;0,0,0;1,1,1]
人各個方向上移動這個特徵的小視窗，如圖1中視窗內區域的灰度發生了較大的變化，那么就認為在視窗內遇到了角點。如圖1中，視窗內圖像的灰度沒有發生變化，那么視窗內就不存在角點；如果視窗在某一個方向移動時，視窗內圖像的灰度發生了較大的變化，而在另一些方向上沒有發生變化，那么，視窗內的圖像可能就是一條直線的線段。
圖1 角點數學模型
根據算法思想，構建數學模型，計算移動視窗的的灰度差值。
將圖像視窗平移
產生灰度變化
圖2 視窗為了減小計算量，利用泰勒級數進行簡化公式：
其中，
定義自相關矩陣A=
在實際套用中為了能夠套用更好的編程，定義了角點回響函式R，通過判定R大小來判斷像素是否為角點。
R取決於A的特徵值，對於角點|R|很大，平坦的區域|R|很小，邊緣的R為負值。
圖5 角點回響函式算法流程
1）利用水平，豎直差分運算元對圖像的每個像素進行濾波以求得Ix、Iy，進而求得M中的四個元素的值。
2）對M的四個元素進行高斯平滑濾波，為的是消除一些不必要的孤立點和凸起，得到新的矩陣M。
3）接下來利用M計算對應每個像素的角點回響函式R
4）局部極大值抑制，同時選取其極大值
5）在矩陣R中，同時滿足R(i,j)大於一定閾值threshold和R(i,j)是某領域內的局部極大值，則被認為是角點。
檢測FAST特徵
Harris運算元是基於兩個正交方向上的強度變化率提出了角點。
而FAST特徵算法對角點的定義有所不同，它定義基於假定特徵點周圍的圖像強度，通過檢查候選像素周圍一圈像素來決定是否接受一個特徵點。與中心差異較大的像素如果組成連續的圓弧，並且弧長大於圓周長度的3/4，那么我們認為找到一個特徵點。和Harris特徵相同的是可以在找到的角點上執行非極大值抑制，因此需要指定角點強度的測量方法。該算法可以獲得非常快速的特徵點檢測，在需要考慮運行速度時可以選用，如高幀率的視頻序列中進行視覺跟蹤。
FAST算法的步驟
FAST的提出者Rosten等將FAST角點定義為：
若某像素與其周圍鄰域內足夠多的像素點相差較大，則該像素可能是角點。
圖5 FAST特徵1）上圖所示，一個以像素p為中心，半徑為3的圓上，有16個像素點（p1、p2、...、p16）。
2）定義一個閾值。計算p1、p9與中心p的像素差，若它們絕對值都小於閾值，則p點不可能是特徵點，直接pass掉；否則，當做候選點，有待進一步考察；
3）若p是候選點，則計算p1、p9、p5、p13與中心p的像素差，若它們的絕對值有至少3個超過閾值，則當做候選點，再進行下一步考察；否則，直接pass掉；
4）若p是候選點，則計算p1到p16這16個點與中心p的像素差，若它們有至少9個超過閾值，則是特徵點；否則，直接pass掉。
5）對圖像進行非極大值抑制：計算特徵點出的FAST得分值（即score值，也即s值），判斷以特徵點p為中心的一個鄰域（如3x3或5x5）內，計算若有多個特徵點，則判斷每個特徵點的s值（16個點與中心差值的絕對值總和），若p是鄰域所有特徵點中回響值最大的，則保留；否則，抑制。若鄰域內只有一個特徵點（角點），則保留。
SURF特徵
基本原理
SURF(Speeded Up Robust Features)，是SIFT角點檢測算法的改進版，主要體現在速度上，SURF是SIFT速度的3倍。SIFT在尺度和旋轉變換的情況下匹配效果比SURF好，而SURF在亮度變化下匹配效果比較好。
與SIFT的區別在於：
- 尺度空間的建立：SIFT建立一幅圖像的金字塔，在每一層上進行高斯濾波並求取DoG進行特徵點的提取，而SURF用的是Hessian矩陣。
- SIFT特徵建立圖像金字塔處理尺度不變特性，而SURF特性將高斯核近似為方形濾波。
算法流程
1）構建Hessian矩陣，計算H矩陣判別式，判斷是大於0還是小於0；
2）構造尺度空間：不同尺度的box filters與原圖片卷積，使原始圖像保持不變而只改變濾波器的大小。
3）精確定義特徵點：先利用Hessian矩陣確定候選點，然後進行非極大抑制。
4）特徵點描述子的生成：在圓形區域內，計算各個扇形範圍內x、y方向的haar小波回響，找模最大的扇形方向；20*20s的區域劃分為4*4的子區域，每個子區域找5*5個採樣點，計算採樣點的haar小波回響，記錄∑dx,∑dy,∑|dx|,∑|dy|，一共4*4*4=64維。
