《计算机视觉课件》课件1210v1-3.pptx

1、目录背景介绍Contents1章节概述2小节介绍3本章总结4背景介绍B A C K G R O U N D在 传 统 的 图 形 学 中，凡 是 能 反 映 图 像 某 种 潜 在 规 律 的 就 被称 作 图 像 特 征，譬 如 颜 色 特 征、纹 理 特 征、形 状 特 征 和 空间 关 系 特 征 等 等。在 计 算 机 视 觉 领 域 中，最 具 价 值 的 图 像特 征 主 要 是 局 部 特 征 点 和 边 缘 特 征，前 者 主 要 被 应 用 在 图像 定 位、图 像 识 别 等，而 后 者 主 要 被 应 用 在 图 像 分 割 上。ONE图像特征的局部表达，它只能反映图像上

2、具有的局部特殊性，譬如图像的线条、交叉、轮廓等等。在图像发生光线或位置的变化时，局部特征点往往具有稳定不变性。局部特征点边缘检测背 景 介 绍角点斑点特征描述子特征描述子（Feature Descriptors）指的是检测图像的局部特征（比如边缘、角点、轮廓等），然后据匹配目标的需要进行特征的组合、变换，以形成易于匹配、稳定性好的特征向量，从而把图像匹配问题转化为特征的匹配问题，进而将特征的匹配问题转化为特征空间向量的聚类问题。边缘是不同区域的分界线，是周围（局部）灰度值有显著变化的像素点的集合，有幅值与方向两个属性。阶跃型、屋脊型、斜坡型、脉冲型边缘一阶边缘算子二阶边缘算子窗口模板算子章节概

3、述C H A P T E R O V E R V I E W本 章 主 要 介 绍 两 种 最 重 要 的 图 像 特 征，一 种 是 局 部 特 征 点，另 一 种 是 边 缘 特 征。对 于 局 部 特 征 点 提 取，本 章 介 绍 了 角点、斑 点 和 基 于 特 征 描 述 子 的 检 测 方 法。对 于 边 缘 检 测，本 章 主 要 介 绍 了 基 于 一 阶/二 阶 的 微 分 边 缘 算 子 和 基 于 窗口 模 板 的 检 测 方 法，以 及 简 略 提 及 部 分 新 兴 的 边 缘 检 测 方法。TWO章 节 概 述小节介绍S E C T I O N I N T R O

4、 D U C T I O N 3.1 角 点 检 测 算 法 3.2 斑 点 检 测 算 法 3.3 特 征 描 述 子 3.4 边 缘 检 测 算 法 3.5 一 阶 微 分 边 缘 算 子 3.6 二 阶 微 分 边 缘 算 子 3.7 窗 口 模 板 的 检 测 方 法 3.8 新 兴 的 边 缘 检 测 算 法 THREE3.1 角点检测算法3.1.1 Harris3.1.1 Harris角点角点Harris角点定义为：如果在各个方向上移动这个特征的小窗口，窗口内区域的灰度发生了较大的变化，那么就认为在窗口内遇到了角点。其中，W(x,y)是以点(x,y)为中心的窗口，w(u,v)为加权

5、函数，它既可是常数，也可以是高斯加权函数。u,v是窗口的偏移量；(x,y)是窗口内所对应的像素坐标位置，窗口有多大，就有多少个位置；w(x,y)是窗口函数，最简单情形就是窗口内的所有像素所对应的w权重系数均为1，但有时候，我们会将w(x,y)函数设定为以窗口中心为原点的二元正态分布。3.1.1 Harris3.1.1 Harris角点角点至此，我们就可以通过判断R的值来判断某个点是不是角点了。角点：R为大数值整数边缘：R为大数值负数平坦区：绝对值R是小数值3.1 角点检测算法3.1.1 Harris3.1.1 Harris角点角点3.1 角点检测算法FAST角点定义：若某像素点与其周围领域内足

6、够多的像素点处于不同的区域，则该像素点可能为角点。也就是某些属性与众不同，考虑灰度图像，即若该点的灰度值比其周围领域内足够多的像素点的灰度值大或者小，则该点可能为角点。3.1.2 Fast3.1.2 Fast角点角点FAST角点的算法步骤如下：1.从图片中选取一个像素P，下面我们将判断它是否是一个特征点。我们首先把它的亮度值设为Ip。2.设定一个合适的阈值t。3.考虑以该像素点为中心的一个半径等于3像素的离散化的Bresenham圆，这个圆的边界上有16个像素（如上图所示）。4.如上图3所示，如果在这个大小为16个像素的圆上有n个连续的像素点，它们的像素值要么都比Ip+t大，要么都比Ip-t小

7、，那么它就是一个角点（如图中的白色虚线所示）。n的值可以设置为12或者9，实验证明选择9可能会有更好的效果。3.1 角点检测算法3.2.1 LOG3.2.1 LOG斑点检测利用高斯拉普通拉斯（Laplace of Gaussian,LOG）算子检测图像斑点是一种十分常用的方法，对于二维高斯函数：它的拉普拉斯变换为:规范化的高斯拉普变换为：规范化算法子在二维图像上显示是一个圆对称函数。我们可以用这个算子来检测图像中的斑点，并且可以通过改变的值，可以检测不同尺寸的二维斑点。3.2 斑点检测算法3.2.1 LOG3.2.1 LOG斑点检测从更直观的角度去解释为什么LOG算子可以检测图像中的斑点：1、

8、图像与某一个二维函数进行卷积运算实际就是求取图像与这一函数的相似性。同理，图像与高斯拉普拉斯函数的卷积实际就是求取图像与高斯拉普拉斯函数的相似性。当图像中的斑点尺寸与高斯拉普拉斯函数的形状趋近一致时，图像的拉普拉斯响应达到最大。2、从概率的角度解释为：假设原图像是一个与位置有关的随机变量X的密度函数，而LOG为随机变量Y的密度函数，则随机变量X+Y的密度分布函数即为两个函数的卷积形式。如果想让X+Y能取到最大值，则X与Y能保持步调一致最好，即X上升时，Y也上升，X最大时，Y也最大。3.2 斑点检测算法3.2.1 LOG3.2.1 LOG斑点检测LOG算子的具体计算过程：先对图像f(x,y)用方

9、差为的高斯核进行高斯滤波，去除图像中的噪点。然后对图像的拉普拉斯图像则为：而实际上有下面等式：所以，我们可以先求高斯核的拉普拉斯算子，再对图像进行卷积。也就是一开始描述的步骤。3.2 斑点检测算法3.2.2 DOG3.2.2 DOG斑点检测前面介绍的微分算子在近圆的斑点检测方面效果很好，但是这些检测算子被限定于只能检测圆形斑点，而且不能估计斑点的方向，因为LOG算子等都是中心对称的。如果我们定义一种二维高斯核的变形，记它在X方向与Y方向上具有不同的方差，则这种算子可以用来检测带有方向的斑点。如左图所示，DOG可以看作为LOG的一个近似，但是它比LOG的效率更高上式是算子的计算方法，其中A是规一

10、性因子。3.2 斑点检测算法3.2.3 SIFT3.2.3 SIFT斑点检测SIFT 算法分为 4 个阶段：1、尺度空间极值检测：该阶段是在图像的全部尺度和全部位置上进行搜索，并通过应用高斯差分函数可以有效地识别出尺度不变性和旋转不变性的潜在特征点来；2、特征点的定位：在每个候选特征点上，一个精细的模型被拟合出来用于确定特性点的位置和尺度。而特征点的最后选取依赖的是它们的稳定程度；3、方向角度的确定：基于图像的局部梯度方向，为每个特性点分配一个或多个方向角度。所有后续的操作都是相对于所确定下来的特征点的角度、尺度和位置的基础上进行的，因此特征点具有这些角度、尺度和位置的不变性；4、特征点的描述

11、符：在所选定的尺度空间内，测量特征点邻域区域的局部图像梯度，将这些梯度转换成一种允许局部较大程度的形状变形和亮度变化的描述符形式。SIFT斑点检测流程3.2 斑点检测算法3.2.4 SURF3.2.4 SURF斑点检测SURF 算法包括下面几个阶段：第一部分：特征点检测1、基于 Hessian 矩阵的特征点检测2、尺度空间表示3、特征点定位第二部分：特征点描述1、方向角度的分配2、基于 Haar 小波的特征点描述符积分图像Hessian矩阵特征点表示尺度空间3.2 斑点检测算法3.3.1 BRIEF3.3.1 BRIEF描述子BRIEF(Binary Robust Independent El

12、ementary Features)与传统的利用图像局部邻域的灰度直方图或梯度直方图提取特征的方式不同，BRIEF是一种是一种二进制编码的特征描述子，既降低了存储空间的需求，提升了特征描述子生成二进制编码的特征描述子，既降低了存储空间的需求，提升了特征描述子生成的速度，也减少了特征匹配时所需的时间的速度，也减少了特征匹配时所需的时间。值得注意的是，对于BRIEF，它仅仅是一种特征描述符，它不提供提取特征它仅仅是一种特征描述符，它不提供提取特征点的方法点的方法。所以，如果你必须使用一种特征点定位的方法，如FAST、SIFT、SURF等。这里，我们将使用CenSurE方法来提取关键点，对BRIEF

13、来说，CenSurE的表现比SURF特征点稍好一些。3.3 特征描述子3.3.1 BRIEF3.3.1 BRIEF描述子3.3 特征描述子3.3.2 ORB3.3.2 ORB特征提取算法ORB对BRIEF的改进：ORB在计算BRIEF描述子时建立的坐标系是以关键点为圆心，以关键点和取点区域的形心（圆形）的连线为X轴建立坐标系；计算形心时，圆形区域上每个点的质量是其对应的像素值。ORB特征，从它的名字中可以看出它是对它是对FAST特征点与特征点与BREIF特征描述子的一种结合特征描述子的一种结合与改进与改进，这个算法是由Ethan Rublee,Vincent Rabaud,Kurt Konol

14、ige以及Gary R.Bradski在2011年一篇名为“ORB：An Efficient Alternative to SIFT or SURF”的文章中提出。就像文章题目所写一样，ORB是除了SIFT与SURF外一个很好的选择，而且它有很高的效率，最重要的一点是它是免费的，SIFT与SURF都是有专利的，你如果在商业软件中使用，需要购买许可。ORB特征是将FAST特征点的检测方法与BRIEF特征描述子结合起来，并在它们原来的基础上做了改进与优化。3.3 特征描述子3.3.3 BRISK3.3.3 BRISK特征提取算法BRISK的算法步骤如下：第一步进行特征点检测，主要分为建立尺度空间、

15、特征点检测、非极大值抑制和亚像素差值这四个部分；第二步进行特征点描述，主要分为高斯滤波、局部梯度计算、特征描述符和匹配方法这四个部分。BRISK算法是2011年ICCV上BRISK:Binary Robust Invariant Scalable Keypoints文章中，提出来的一种特征提取算法，也是一种二进制的特也是一种二进制的特征描述算子。它具有较好的旋转不变性、尺度不变性，较好的鲁棒性等征描述算子。它具有较好的旋转不变性、尺度不变性，较好的鲁棒性等。在图像配准应用中，速度比较：SIFTSURFBRISKFREAKORB，在对有较大模糊的图像配准时，BRISK算法在其中表现最为出色。3.

16、3 特征描述子3.3.4 FREAK3.3.4 FREAK特征提取算法FREAK的主要步骤包括：（1）采样模式（2）特征描述（3）特征方向（4）特征匹配。FREAK算法是2012年CVPR上FREAK:Fast Retina Keypoint文章中，提出来的一种特征提取算法，也是一种二进制的特征描述算也是一种二进制的特征描述算子。它与子。它与BRISK算法非常相似，主要就是在算法非常相似，主要就是在BRISK算法上的改进。算法上的改进。FREAK依然具有尺度不变性、旋转不变性、对噪声的鲁棒性等。依然具有尺度不变性、旋转不变性、对噪声的鲁棒性等。3.3 特征描述子3.4.1 边缘的定义 边缘是不

17、同区域的分界线，是周围（局部）灰度值有显著变化的像素点的集合，有幅值与方向两个属性。这个不是绝对的定义，主要记住边缘是局部特征，以及周围灰度值显著变化产生边缘。3.4.2 轮廓和边缘的关系 一般认为轮廓是对物体的完整边界的描述，边缘点一个个连接起来构成轮廓。边缘可以是一段边缘，而轮廓一般是完整的。人眼视觉特性，看物体时一般是先获取物体的轮廓信息，再获取物体中的细节信息，比如看到几个人站在那，我们一眼看过去马上能知道的是每个人的高矮胖瘦，然后才获取脸和衣着等信息。3.4.3 边缘的类型 简单分为4种类型，阶跃型、屋脊型、斜坡型、脉冲型，其中阶跃型和斜坡型是类似的，只是变化的快慢不同，同样，屋脊型

18、和脉冲型也是如此。在边缘检测中更多关注的是阶跃和屋脊型边缘。见图3.5.1，（a）和（b）可认为是阶跃或斜坡型，（c）脉冲型，（d）屋脊型，阶跃与屋脊的不同在于阶跃上升或下降到某个值后持续下去，而屋脊则是先上升后下降。边缘的四种类型3.4 边缘检测算法边缘示例3.4.4 边缘检测介绍如上图中的图像是图像中水平方向7个像素点的灰度值显示效果，我们很容易地判断在第4和第5个像素之间有一个边缘，因为它俩之间发生了强烈的灰度跳变。在实际的边缘检测中，边缘远没有上图这样简单明显，我们需要取对应的阈值来区分出它们。一般图像边缘检测方法主要有如下四个步骤：Step1.图像滤波传统边缘检测算法主要是基于图像强

19、度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。需要指出的是，大多数滤波器在降低噪声的同时也造成了了边缘强度的损失，因此，在增强边缘和降低噪声之间需要一个折衷的选择。Step2.图像增强增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将邻域(或局部)强度值有显著变化的点突显出来。边缘增强一般是通过计算梯度的幅值来完成的。Step3.图像检测在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。最简单的边缘检测判断依据是梯度幅值。Step4.图像定位如果某一应用场合要求确定边

20、缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来。3.4 边缘检测算法以33的卷积模板为例。原始图像中的33子区域 33卷积模板然后我们设定一个阈值，如果卷积的结果R大于这个阈值，那么该像素点为边缘点，输出白色；如果R小于这个阈值，那么该像素不为边缘点，输出黑色。于是最终我们就能输出一幅黑白的梯度图像，实现边缘的检测。3.4.5 如何用梯度算子实现边缘检测3.4 边缘检测算法一阶微分边缘算子也称为梯度边缘算子，它是利用图像在边缘处的阶跃性，即图像梯度在边缘取得极大值的特性进行边缘检测。梯度是一个矢量，它具有方向和模|I|：梯度的方向提供了边缘的趋势信息，因为梯度方向始终

21、是垂直于边缘方向，梯度的模值大小提供了边缘的强度信息。在实际使用中，通常利用有限差分进行梯度近似。对于上面的公式，我们有如下的近似：3.5.1 一阶微分边缘算子基本思想3.5 一阶微分边缘算子3.5.2 Roberts算子1963年，Roberts提出了这种寻找边缘的算子。Roberts边缘算子是一个边缘算子是一个2x2的的模板，采用的是对角方向相邻的两个像素之差模板，采用的是对角方向相邻的两个像素之差。从图像处理的实际效果来看，边缘定位较准，对噪声敏感。由Roberts提出的算子是一种利用局部差分算子寻找边缘的算子，边缘的锐利程度由图像灰度的梯度决定。梯度是一个向量，f指出灰度变化的最快的方

22、向和数量。3.5 一阶微分边缘算子3.5.2 Roberts算子Roberts算子的卷积模板为：模板运算结果为：如果G(x,y)大于某一阈值，则我们认为(x,y)点为边缘点。3.5 一阶微分边缘算子3.5.3 Prewitt算子3.5 一阶微分边缘算子3.5.3 Prewitt算子 水平方向 垂直方向Prewitt算子的卷积模板为：模板运算结果为：记图像M，梯度幅值T，比较：如果最终T大于阈值threshold，那么该点为边缘点。3.5 一阶微分边缘算子3.5.4 Sobel算子Sobel最初是1968年在一次博士生课题讨论会1968上提出(A 3x3 Isotropic Gradient O

23、perator for Image Processing)，后来正式出版发表是在1973年的一本专著（Pattern Classification and Scene Analysis）的脚注里作为注释出现和公开的。Sobel算子和Prewitt算子都是加权平均，但是Sobel算子认为，邻域邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。对算子结果产生的影响也不同。一般来说，距离越远，产生的影响越小。将Prewitt边缘检测算子模板的中心系数增加一个权值2，不但可以突

24、出中心像素点，而且可以得到平滑的效果，这就成为索贝尔算子。Sobel算子一种将方向差分运算与局部平均相结合的方法。算子一种将方向差分运算与局部平均相结合的方法。3.5 一阶微分边缘算子3.5.4 Sobel算子Sobel算子的卷积模板为：模板运算结果为：记图像M，梯度幅值T，比较：如果最终T大于阈值threshold，那么该点为边缘点。3.5 一阶微分边缘算子3.5.5 Kirsch算子Kirsch算子是R.Kirsch提出来的一种边缘检测算法。与前述的算法不同之处在于，Kirsch考虑到考虑到3*3的卷积模板事实上涵盖着的卷积模板事实上涵盖着8种方向（左上，正种方向（左上，正上，上，右下），

25、于是，右下），于是Kirsch采用采用8个个3*3的模板对图像进行卷积，这的模板对图像进行卷积，这8个个模板代表模板代表8个方向，并取最大值作为图像的边缘输出个方向，并取最大值作为图像的边缘输出。Kirsch算子的卷积模板为：最终选取8次卷积结果的最大值作为图像的边缘输出。3.5 一阶微分边缘算子3.6.1 二阶微分边缘算子基本思想边缘即是图像的一阶导数局部最大值的地方，那么也意味着该点的二阶导数为零。二阶微分边缘检测算子就是利用图像在边缘处的阶跃性导致图像二阶微分在边缘处出现零值这一特性进行边缘检测的。对于图像的二阶微分可以用拉普拉斯算子来表示：我们在像素点(i,j)的33的邻域内，可以有如

26、下的近似：对应的二阶微分卷积核为：所以二阶微分检测边缘的方法就分两步：1）用上面的Laplace核与图像进行卷积；2）对卷积后的图像，取得那些卷积结果为0的点。3.6 二阶微分边缘算子3.6.2 Laplace算子Laplace（拉普拉斯）算子是最简单的各向同性微分算子，一个二维图像函数的拉普拉斯变换是各向同性的二阶导数。下式为 Laplace 算子的表达式：把这个表达式代入到卷积模板的表达式中进行一系列推导，我们就能得到Laplace模板模板：标准模板变形模板大权重模板实际中我们使用Laplace模板的方法如下：（1）遍历图像（除去边缘，防止越界），对每个像素做Laplancian模板卷积运

27、算，注意是只做其中的一种模板运算，并不是两个。（2）复制到目标图像，结束。3.6 二阶微分边缘算子3.6.3 Log算子1980年，Marr和Hildreth提出将Laplace算子与高斯低通滤波相结合，提出了LOG（Laplace and Guassian）算子，又称为马尔（Marr）算子。该算子是先运用高斯滤波器平滑图像达到去除噪声的目的，然后用该算子是先运用高斯滤波器平滑图像达到去除噪声的目的，然后用 Laplace 算子对算子对图像边缘进行检测。图像边缘进行检测。这样既达到了降低噪声的效果，同时也使边缘平滑，并得到了延展。为了防止得到不必要的边缘，边缘点应该选取比某阈值高的一阶导数零交

28、叉点。LOG 算子已经成为目前对阶跃边缘用二阶导数过零点来检测的最好的算子。LOG 算子的卷积模板通常采用 55的矩阵，如：实际中我们使用Log模板的方法如下：（1）遍历图像（除去边缘，防止越界），对每个像素做Gauss-Laplancian模板卷积运算。（2）复制到目标图像，结束。3.6 二阶微分边缘算子3.6.4 Canny算子Canny 根据以前的边缘检测算子以及应用，归纳了如下三条准则：(1)信噪比准则：避免真实的边缘丢失，避免把非边缘点错判为边缘点；(2)定位精度准则：得到的边缘要尽量与真实边缘接近；(3)单一边缘响应准则：单一边缘需要具有独一无二的响应，要避免出现多个响应，并最大抑

29、制虚假响应。完整的Canny边缘检测算法实现步骤如下：1.彩色图像转换为灰度图像2.对图像进行高斯模糊3.计算图像梯度，根据梯度计算图像边缘幅值与角度4.非极大值抑制（边缘细化）5.双阈值检测6.通过抑制孤立的弱边缘完成边缘检测7.二值化图像输出结果3.6 二阶微分边缘算子图1（a）原始的相似度函数（y轴）与像素的亮度差异（x轴，单位是灰度）。在这个例子中，像素亮度差异的阈值是设为27灰度。（b）现在使用的更加稳定的函数。（c）边界探测器B。3.7.1 SUSAN检测方法SUSAN检测方法是一种比较特殊的检测方法，它是基于窗它是基于窗口模板的检测方法。口模板的检测方法。主要是通过在图像每个像素

30、点位置处建立一个窗口，这个窗口是圆形的，这里为了得到各方向同性的响应，窗口内可以是常数权值或高斯权值，一般情况下，窗口半径为3.4个像素（即窗口内总有37个像素）。考虑为了运算简单，一般情况下使用a线（见右图1），最后统计所以同中心点相似的点数（即相似程度为1的点）相似点所在区域被称为USAN（Univalue Segment Assimilating Nucleus）（见右图2），而特征边缘或角点就是在这个点数值局部最小地方。图中的分界点（区分是否相似的像素差别）实际上反映了图像特征的最小对比程度，及被排除噪声的最大数目。图2 一个给定小部分测试图片的USAN区域的三维图，演示出边界和角点的

31、增强。3.7 窗口模板检测算法3.7.1 SUSAN检测方法SUSAN是通过比较像素点邻域同其中心相似程度，所以也具有了光强变化不变性，具有了光强变化不变性，及旋转不变性，及一定程度的尺度不变性。及旋转不变性，及一定程度的尺度不变性。另外SUSAN使用的参数也非常的少，所以对于计算量及储存量要求低。SUSAN方法被提出来，主要是为针对于边缘检测和角点检测的，然后其对于噪声较高的鲁棒性，也会用于在噪声消除中，被用于去选择最佳局部平滑邻域。SUSAN边缘检测总共包括边缘检测总共包括5个步骤：个步骤：1.边缘响应的计算2.边缘方向的计算3.非极大值抑制4.子像素精度 5.检测位置。3.7 窗口模板检

32、测算法3.8.1 小波分析3.8.2 模糊算法3.8.3 人工神经网络 1986 年，小波分析在 Y.Meyer，S.Mallat 与 I.Daubechies 等的研究工作基础上迅速地发展起来，成为一门新兴的学科，并在信号处理中应用相当广泛。小波变换的理论基础是傅里叶变换，它具有多尺度特征，如当尺度较大时，可以很好的滤除噪声，但不能很精确的检测到边缘；当尺度较小时，能够检测到很好的边缘信息，但图像的去噪效果较差。因此可以把用多种尺度来检测边缘而得到的结果相结合，充分利用各种尺度的优点，来得到更精确的检测结果。目前，有很多不同的小波边缘检测算法，主要差别在于采用的小波变换函数不同，常用的小波函

33、数包括：Morlet 小波、Daubechies 小波、Harr 小波、Mexican Hat 小波、Hermite 小波、Mallet 小波、基于高斯函数的小波及基于B 样条的小波等。利用人工神经网络 36-38 来提取边缘在近年来已经发展为一个新的研究方向，其本质是视边缘检测为模式识别问题，以利用它需要输入的知识少及适合并行实现等的优势。其思想与传统方法存在很大的不同，是先把输入图像映射到某种神经元网络，再把原始边缘图这样的先验知识输入进去，然后进行训练，一直到学习过程收敛或者用户满意方可停止。3.8 新兴的边缘检测算法本 章 较 为 全 面 地 介 绍 了 传 统 计 算 机 视 觉 技

34、 术 中 对 图 像 的 局 部 特 征 点 的 提 取 算 法。首 先 我 们 介 绍 了 两 种 最 主 流 的 局 部 特 征 点，分 别 是 角 点 和 斑 点。角 点 对 应 着 物 体 的 拐 角，而 斑 点 对 应 着 与 周 围 有 着 剧 烈 颜 色 和 灰 度 差 别 的 区 域，这 两 种 特 征 点 都 是 一 个 图 像 中 比 较明 显 的 区 域，适 合 用 来 做 物 体 定 位 与 识 别。而 其 中，角 点 检 测 主 要 用 滑 动 窗 口 的 方 法 比 较窗 口 滑 动 前 后 内 部 的 灰 度 差 异 来 找 寻 角 点，而 斑 点 检 测 主 要

35、 是 与 周 围 像 素 比 较 寻 找 灰 度 落差 大 的 区 域 来 找 寻 斑 点。在 3.4 节 我 们 还 介 绍 了 特 征 描 述 子 算 法，这 是 一 种 基 于 特 征 点 提取 去 进 一 步 转 化 为 特 征 向 量 的 方 法，从 而 能 帮 助 我 们 更 好 地 处 理 图 像 的 局 部 特 征。然 后 我 们 介 绍 了 边 缘 检 测 算 法，边 缘 也 是 一 个 图 像 中 比 较 重 要 的 特 征，它 反 映 了 图 片 中 两个 不 同 内 容 的 交 界，比 较 适 合 用 来 做 语 义 分 割 与 物 体 提 取。边 缘 检 测 算 法

36、可 分 为 3 种，第一 种 是 用 一 阶 微 分 边 缘 算 子 寻 找 一 阶 导 数 具 有 极 大 值 的 点 认 为 是 边 缘 点，第 二 种 是 用 二 阶微 分 边 缘 算 子 寻 找 二 阶 导 数 具 有 过 零 点 的 点 认 为 是 边 缘 点，第 三 种 是 直 接 用 窗 口 模 板 统 计所 有 同 中 心 点 相 似 的 点 数 认 为 是 角 点 或 边 缘 点。最 后 我 们 还 介 绍 了 一 些 新 兴 的 边 缘 检 测 算 法，包 括 小 波 分 析 算 法，模 糊 算 法，以 及 人 工 神经 网 络 算 法。其 中 发 展 最 快、也 是 目 前 效 果 最 突 出 的 算 法 的 是 人 工 神 经 网 络 算 法，这 一 内容 在 后 面 的 章 节 中 会 有 更 详 尽 的 解 读。本章总结C H A P T E R S U M M A R YFOUR本章总结