特徵檢測(英語:Feature detection)是計算機視覺圖像處理中的一個概念。它指的是使用計算機提取圖像信息,決定每個圖像的點是否屬於一個圖像特徵。特徵檢測的結果是把圖像上的點分為不同的子集,這些子集往往屬於孤立的點、連續的曲線或者連續的區域。

特徵的定義

編輯

至今為止特徵沒有萬能和精確的定義。特徵的精確定義往往由問題或者應用類型決定。特徵是一個數字圖像中「有趣」的部分,它是許多計算機圖像分析算法的起點。因此一個算法是否成功往往由它使用和定義的特徵決定。因此特徵檢測最重要的一個特性是「可重複性」:同一場景的不同圖像所提取的特徵應該是相同的。

特徵檢測是圖像處理中的一個初級運算,也就是說它是對一個圖像進行的第一個運算處理。它檢查每個像素來確定該像素是否代表一個特徵。假如它是一個更大的算法的一部分,那麼這個算法一般只檢查圖像的特徵區域。作為特徵檢測的一個前提運算,輸入圖像一般通過高斯模糊核在尺度空間中被平滑。此後通過局部導數運算來計算圖像的一個或多個特徵。

有時,假如特徵檢測需要許多的計算時間,而可以使用的時間有限制,一個高層次算法可以用來控制特徵檢測階層,這樣僅圖像的部分被用來尋找特徵。

由於許多計算機圖像算法使用特徵檢測作為其初級計算步驟,因此有大量特徵檢測算法被發展,其提取的特徵各種各樣,它們的計算複雜性和可重複性也非常不同。

分類

編輯

邊緣

編輯

邊緣指組成兩個圖像區域之間邊界(或邊緣)的像素。一般一個邊緣的形狀可以是任意的,還可能包括交叉點。在實踐中邊緣一般被定義為圖像中擁有大的梯度的點組成的子集。一些常用的算法還會把梯度高的點聯繫起來來構成一個更完善的邊緣的描寫。這些算法也可能對邊緣提出一些限制。

局部地看邊緣是一維結構。

角指圖像中點似的特徵,在局部它有兩維結構。早期的算法首先進行邊緣檢測,然後分析邊緣的走向來尋找邊緣突然轉向(角)。後來發展的算法不再需要邊緣檢測這個步驟,而是可以直接在圖像梯度中尋找高度曲率。後來發現這樣有時可以在圖像中本來沒有角的地方發現具有同角一樣的特徵的區域。

區域

編輯

與角不同的是區域描寫一個圖像中的一個區域性的結構,但是區域也可能僅由一個像素組成,因此許多區域檢測也可以用來監測角。一個區域監測器檢測圖像中一個對於角監測器來說太平滑的區域。

區域檢測可以被想象為把一張圖像縮小,然後在縮小的圖像上進行角檢測。

長條形的物體被稱為。在實踐中脊可以被看作是代表對稱軸的一維曲線,此外局部針對於每個脊像素有一個脊寬度。從灰梯度圖像中提取脊要比提取邊緣、角和區域困難。在空中攝影中往往使用脊檢測來分辨道路,在醫學圖像中它被用來分辨血管。

特徵提取

編輯

特徵被檢測後它可以從圖像中被提取出來。這個過程可能需要許多圖像處理的計算機。其結果被稱為特徵描述或者特徵向量。

參考文獻

編輯

引用

編輯

來源

編輯
  • Canny, J., A Computational Approach To Edge Detection, IEEE Trans. Pattern Analysis and Machine Intelligence, 8:679-714, 1986. (Canny edge detection)
  • C. Harris and M. Stephens. A combined corner and edge detector (PDF). Proceedings of the 4th Alvey Vision Conference: 147–151. 1988年. (原始內容 (PDF)存檔於2007-09-16). (Harris/Plessey corner detection)
  • S. M. Smith and J. M. Brady. SUSAN - a new approach to low level image processing.. International Journal of Computer Vision. 1997年5月, 23 (1): 45–78頁 [2008-05-11]. (原始內容存檔於2008-03-13). (The SUSAN corner detector)
  • J. Shi and C. Tomasi. Good Features to Track,. 9th IEEE Conference on Computer Vision and Pattern Recognition. Springer. 1994年6月 [2008-05-11]. (原始內容存檔於2008-05-14). (The Shi and Tomasi corner detector)
  • M. Trajkovic and M. Hedley. Fast corner detection. Image and Vision Computing. 1998年, 16 (2): 75–87. (The FAST corner detector)
  • T. Lindeberg. Feature detection with automatic scale selection. International Journal of Computer Vision. 1998年, 30 (2): 77–116 [2008-05-11]. (原始內容存檔於2021-03-07). (Laplacian and determinant of Hessian blob detection as well as automatic scale selection)
  • D. Lowe. Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision. 2004年 [2008-05-11]. (原始內容存檔於2008-05-10). (DOG blob detection with automatic scale selection)
  • J. Matas, O. Chum, M. Urban and T. Pajdla. Robust wide baseline stereo from maximally stable extremum regions (PDF). British Machine Vision Conference: 384–393. 2002年 [2008-05-11]. (原始內容存檔 (PDF)於2011-09-28). (The MSER blob detector)
  • T. Lindeberg. Detecting Salient Blob-Like Image Structures and Their Scales with a Scale-Space Primal Sketch: A Method for Focus-of-Attention. International Journal of Computer Vision. 1993年, 11 (3): 283–318 [2008-05-11]. (原始內容存檔於2019-09-04). (Grey-level blob detection and scale-space blobs)
  • R. Haralick, "Ridges and Valleys on Digital Images," Computer Vision, Graphics, and Image Processing vol. 22, no. 10, pp. 28-38, Apr. 1983. (Ridge detection using facet model)
  • J. L. Crowley and A. C. Parker, "A Representation for Shape Based on Peaks and Ridges in the Difference of Low Pass Transform", IEEE Transactions on PAMI, PAMI 6 (2), pp 156-170, March 1984. (Ridge detection based on DOGs)
  • D. Eberly , R. Gardner , B. Morse , S. Pizer , C. Scharlach, Ridges for image analysis, Journal of Mathematical Imaging and Vision, v.4 n.4, p.353-373, Dec. 1994. (Fixed scale ridge detection)
  • T. Lindeberg. Edge detection and ridge detection with automatic scale selection. International Journal of Computer Vision. 1998年, 30 (2): 117–154 [2008-05-11]. (原始內容存檔於2006-07-09). (Ridge detection with automatic scale selection)