特徵擷取

歷史來看依序有邊緣偵測(edge detection)、角偵測(corner detection)、區域偵測 (region detection)等方法，主要是進行降維後，將原始樣本投影到一個低維的特 徵空間，得到最能反應樣本本身或進行樣本區分的低維樣本特徵，篩選出合適的 特徵點再作進一步的處理，最後再透過分類器進行比對。由於許多電腦視覺演算 法使用特徵擷取作為其計算步驟的第一項，因此有大量的特徵擷取演算法被發展，

所擷取的特徵各式各樣，其計算複雜性和可重複性也非常不同，大致可以分為以 下四類：直觀性特徵、灰階統計特徵、變換係數特徵與代數特徵。

早期邊緣偵測的代表有 Canny[1]和 Sobel[2]方法，最主要的運算是先透過高 斯模糊去雜訊後，再轉換成灰階對圖像進行矩陣運算後得到的結果。接著有 Harris[3]、SUSAN[4]和 FAST[5]等作角偵測，核心的想法為透過一個自定範圍的

‧

2.1.1. SUSAN(Smallest Univalue Segment Assimilating Nucleus)

SUSAN 是 S.M.Smith 和 J.M.Brady 提出的一種圖像處理方法，可以用來找出 物件的角點以及邊緣，SUSAN 角點偵測主要基本原理為搜尋局部區域內具有相 同亮度的像素點，利用一個圓形遮罩來比較局部區域內的像素相似度。

通常圓形遮罩半徑設定約為 3 至 4 像素，圓形遮罩中的中心稱為核心(nucleu)，

將核心對準影像上每個像素，當核心經過影像上的像素時便計算遮罩內所有點的 灰階值與核心灰階值的相似度，這區域的表示稱為 USAN(univalue segment assimilating nucleus)，並依據其局部區域的灰階值分布情形來判斷是否為角點，

而其優點相較於邊緣偵測則是角點偵測效果比邊緣偵測好而不需計算影像梯度

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

7

compare(𝑟, 𝑟_𝑜) = {1, 𝑖𝑓|𝐼(𝑟) − 𝐼(𝑟₀)| ≤ 𝑇

0, 𝑖𝑓|𝐼(𝑟) − 𝐼(𝑟₀)| > 𝑇 ( 2.2 )

得到 USAN 值以後，再利用一個固定的門檻值 G 來做比較，計算其邊緣強度，

通常 G 設為圓形遮罩的 1/2(小於 180 度)，若要得到 USAN 值小於 G 值且核心點 附近也有與核心點亮度相似的像素，即可判斷此點是否為角點(corner)。

2.1.2. FAST (features from accelerated segment test)

FAST 是由 Rosten 與 Drummond 在 2006 年所提出的一種快速角點偵測法。

該方法的觀念是以待測點 p 為中心定義一個 7X7 遮罩，以遮罩內最大圓圈上的 16 像素之灰階判斷該中心點是否為角點，如圖 2-1 所示。此特徵檢測算法來源於 corner 的定義，這個定義基於特徵點周圍的圖像灰階值，檢測候選特徵點周圍一 圈的像素值，如果候選點周圍領域內有足夠多的像素點與該候選點的灰階值差別 夠大，則認為該候選點為一個特徵點，如( 2.3 )所示。

圖 2-1 周圍 16 點遮罩示意圖[5]

N = ∑ |𝐼(𝑥) − 𝐼(𝑝)| > 𝜀

𝑋∀(𝑐𝑖𝑟𝑐𝑙𝑒(𝑝))

( 2.3 )

其中

𝐼(𝑥)

𝐼(𝑝)

𝜀

則認為 p 是一個特徵點。

‧