헤리스 라플라스 특징 검출
헤리스 라플라스 특징 검출
\(\textcolor{black}{ A_{scale\_space}=σ_D^2 G(σ_I )∗ \begin{pmatrix} d_y^2(σ_D) & d_y(σ_D)d_x(σ_D) \\ d_y(σ_D)d_x(σ_D) & d_x^2(σ_D)\end{pmatrix}=\begin{pmatrix}p & r \\ r & q \end{pmatrix} \quad (4.18) }\)
\[\textcolor{black}{ C=det(A_{scale\_space})−k ×trace(A_{scale\_space})=(pq−r^2 )−k(p+q)^2 \quad (4.19) }\]- 알고리즘 4-3 해리스 라플라스 특징 검출
입력 : 영상 f(j,i), 0<=j<=M-1, 0<=i<=N-1, ξ, s, σ0, N // 기본값은 ξ=1.4, s=0.7
출력 : 특징점 리스트 F // 특징점은 (yk, xk, tk)로 표현됨
1 Ftemp=Φ;
2 for(n=0 to N) { // 단계1 : 스케일 공간에서 지역 극점 수집하기
3 σn=ξnσ0;
4 σI=σn; σD=sσn;
5 식 (4.19)를 이용하여 특징 가능성 맵을 계산한다.
6 맵에서 지역 극점 (y,x)를 구하고, (y,x,σI)를 Ftemp에 추가한다.
7 }
8
9 // 단계2: 스케일 선택(극점 미세조정)
10 F=Φ;
11 for(Ftemp의 특징점e=(y, x, σ) 각각에 대해)
12 while(true) {
13 스케일 축의 [0.7σ, 1.4σ] 구간에서 정규 라플라시안의 지역 극점 σnew를 찾는다.
14 if(13행에서 지역 극점을 못 찾음) {e를 버린다; break;}
15 else σnew에 대해, (y,x) 주위에서 새로운 극점(ynew, xnew)를 찾는다.
16 if((y,x,σ)=(ynew, xnew, σnew)) {F=F∪(y,x,σ); break;} // 수렴으로 간주하고 특징점을 취한다.
17 else (y,x,σ)=(ynew, xnew, σnew); // 새로 찾은 것을 가지고 반복
18 }
출처 - Computer Vision