图像底层特征提取

灰度图像边缘提取的思路

• 抑制噪声（低通滤波、平滑、模糊）
• 边缘特征的增强（高通滤波、锐化）
• 边缘定位

微分算子检测边缘

（1）一维信号

• 一阶导数的极大值点
• 二阶导数的过零点

（2）二维信号：与一维相似

• 一阶导数的极大值点：梯度幅值表示边缘的强弱，梯度方向表示灰度变化最快的方向。
  
• 二阶导数的过零点：拉普拉斯算子。
  

在离散的数字图像上计算梯度

使用差分运算在数值上近似一阶微分运算。

去噪

（1）首先利用一个卷积运算进行滤波。

（2）然后利用一阶微分算子，包括Sobel算子、Prewitt算子等计算图像梯度，然后进行边缘提取。或者使用二阶微分算子，拉普拉斯算子，但是一般不用。或者直接使用高斯拉普拉斯LoG。

Canny边缘检测器

算法的基本过程：
（1）计算图像的梯度；
（2）梯度的非极大值抑制；
（3）双阈值提取边缘点。

非极大值抑制NMS

只保留梯度方向上的极大值点，其他点置零，得到$N(x,y)$N(x,y)，然后对其进行二值化进一步减少边缘点。

双阈值检测边缘

Canny算法应用双阀值，即一个高阀值和一个低阀值来区分边缘像素。如果边缘像素点梯度值大于高阀值，则被认为是强边缘点。如果边缘梯度值小于高阀值，大于低阀值，则标记为弱边缘点。小于低阀值的点则被抑制掉。这一步算法很简单。
低阈值：更大的误检概率；
高阈值：更加可靠的边缘。

角点检测

Harris角点

算法基本思想是使用一个固定窗口在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，那么我们可以认为该窗口中存在角点。

Harris给出的角点差别方法并不需要计算具体的特征值，而是计算一个角点响应值来判断角点。的计算公式为：

• 角点：$R$R为数值的正数
• 边缘：$R$R为大数值的负数
• 平坦区：$R$R为小数值

Harris角点的性质：

• 旋转不变性
• 不具有尺度不变性
• 部分仿射不变性

ORB特征检测

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。

一般若圆圈内$3/4$3/4的点都满足以下阈值，则看作是一个特征点。