计算机视觉

二阶导对噪声非常敏感

一阶导（梯度：检测最大值

Prewitt算子
Sobel算子

二阶导 : 检测过零点

拉普拉斯算子 Laplacian of Guassion(LoG
用高斯函数平滑（抑制噪声），再用拉普拉斯算子

边缘过粗，形态学膨胀方法
问题：边缘很多闭合的圆环
边缘，对导数响应最大的值，变化趋势最大的点，梯度下降

Canny边缘检测算法

边缘检测最优准则：好的边缘检测性能，好的定位性能，低的错误检测率

算法过程：计算图形梯度，计算幅值，幅值大的点，边缘点；梯度非极大值抑制；双阈值提取边缘点

计算梯度：滤波（求图像和高斯平滑；滤波器卷积，用一阶有限差分计算偏导，计算幅值和方位角）

非极大值抑制NMS 检测是否为局部极大值

使用阈值，对NMS结果进行二值化
如何选取合适的阈值？
双阈值：强边缘，弱边缘（弱八邻域内有强边缘，那么这个若边缘为边缘），非边缘

Canny优点:参数较少，计算效率，边缘连续完整
参数选择：Gauss滤波的尺度，双阈值的选择（Low = High*0.4）

图像特征点提取

先提取边缘信息，再提取点
检测出来的角点与库中的信息对比

好的角点检测算法：准确，稳定，快速

Harries角点 ORB特征

Harries

基本思想：从图像局部的小窗口观察图像特征，窗口向任意方向的移动都导致图像灰度的明显变化

数学表达：可以用二次型表达，有两个特征值。若两个特征值都非常大，那么就是角点

由于特征值难以计算，定义角点响应函数R=detM-k(traceM)^2

detM为特征值之积，traceM为特征值之和

|R|比较大时，R>0为角点，R<0为边缘；|R|很小为平坦