Detector de esquinas
Un punto de interés es un punto en una imagen que tiene una posición bien definida y puede ser detectado de forma robusta.
Esto significa que un punto de interés puede ser una esquina pero también puede ser, por ejemplo, un punto aislado de intensidad local máxima o mínima, final de líneas, o un punto en una curva donde la curvatura es localmente máxima.
Existen detectores de bordes que pueden usarse para descubrir esquinas con post-procesado, estos son el operador Kirsch y el Frei-Chen masking set.
[1] "Esquinas", "puntos de interés" y "rasgos";se usan en la literatura a veces indistintamente, confundiendo el problema.
Un acercamiento simple para la detección de esquinas en imágenes es usando la correlación, pero este es costoso computacionalmente y suboptimal.
Un acercamiento alternativo frecuentemente usado es basado en un método propuesto por Harris y Stephens, que a su vez es una mejora del de Moravec.
[2] El algoritmo analiza cada píxel en la imagen para ver si hay una esquina, considerando la similitud con un parche centrado en el píxel cercano, solapando así los parches.
La similitud es moderada tomando la suma de diferencias cuadradas (SDC) entre los dos parches.
Si el píxel está en una región de intensidad uniforme, entonces los parches cercanos parecerán similares.
Si el píxel está en un rasgo con variación en todas las direcciones, entonces ninguno de los parches cercanos parecerá similar.
La fuerza de la esquina se define como el SDC más pequeño entre el parche y sus vecinos (horizontal, vertical y en las dos diagonales).
Si este número es localmente máximo, entonces un rasgo de interés está presente.
Uno de los problemas principales con este operador es que no es isotrópico: si existe un borde que no está en la dirección de la vecindad, entonces el SSD más pequeño será el más grande y el borde se escogerá incorrectamente como un punto de interés.
Tomemos un parche de la imagen encima del área
La suma ponderada de las diferencias cuadradas (SDC) entre estos dos parches, denotada por
, tal que: Esto produce la aproximación: que puede escribirse en la forma de la matriz: donde A es el structure tensor, Esta matriz es la de Harris, y pudiéndose ver los promedios (es decir la suma sobre de
, esta caracterización puede expresarse de la manera siguiente:
debe tener dos valores propios "grandes" para ser un punto de interés.
para encontrar las esquinas, o el rasgo de interés en general.
porque bajo ciertas supusiciones, las esquinas son más estables para rastrear.
Este método también es llamado el detector de esquinas Kanade-Tomasi.
usando Noble's[cita requerida] la medida de la esquina
que suma a la media armónica de los valores propios:
, es decir: El detector de esquinas Förstner: En algunos casos, uno puede desear computar la situación de una esquina con la exactitud del subpixel.
Para lograr una solución aproximada, el algoritmo Förstner[5] resuelve el punto más cerca para todas las líneas tangentes a la esquina en una ventana dada.
Esta prueba es una versión relajada del detector SUSAN.
los pixeles inmediatos son todos más luminosos que el núcleo
Esta prueba se informa para producir los rasgos muy estables.
es el más bajo en que no se descubren bordes.
La síntesis automática de detectores: Trujillo y Olague[8] introdujeron un método en el cual se usa la programación genética para sintetizar a operadores de imagen que pueden descubrir los puntos de interés automáticamente.
