知识卡片
Harris特征值的三类判据
Harris算子原本用于找角点,其判据可直接移植来判断“这块区域像不像小目标”。对每个像素取窗口,用水平、竖直差分求Ix、Iy、Ixy,构造局部自相关矩阵M,其特征值λ1、λ2描述窗口沿两个主方向移动时的灰度变化强度。
三类区域的分布很清楚:平坦背景λ1≈λ2≈0,怎么移都没变化;边缘λ1≫λ2或λ2≫λ1,只有一个方向变化明显;角点或小目标λ1≈λ2>0,两个方向都明显变化。SC模型据此构造结构函数H,同时要求特征值之和大(响应强)与比值接近1(各向同性),于是小目标区域响应最大、边缘次之、背景最小,再把图像边界置零以消除边界角点。
优点是不依赖目标形状与绝对灰度,只依赖局部各向同性,对小于9×9像素、无纹理的亮点同样有效。局限是噪声点和强边缘交点也会高响应,必须靠对比度通道与轨迹关联排除。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第5章 人脑视觉系统的视觉注意机制及其应用 · 查看原书依据
对于小目标区域,λ1+λ2的值最大且λ1/λ2≈1,此时H的值最大;对于边缘区域,λ1+λ2的值较大,但由于λ1≫λ2或λ2≫λ1,此时H的值较小
参考来源
- 位置:《基于类脑计算的目标检测与跟踪技术》第5章 人脑视觉系统的视觉注意机制及其应用(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt005.html)
- 结论依据:Harris算子原本用于找角点,其判据可直接移植来判断“这块区域像不像小目标”。
- 原始内容:对于小目标区域,λ1+λ2的值最大且λ1/λ2≈1,此时H的值最大;对于边缘区域,λ1+λ2的值较大,但由于λ1≫λ2或λ2≫λ1,此时H的值较小