Reading papers_8(与图像特征点检测相关,ing...)
1.读Harris, C. and M. Stephens (1988). A combined corner and edge detector, Manchester, UK.
本文提出的算法可以同时检测出边缘和角点，其角点检测算子名为Harris，用的是作者的名字命名，可见其应用之广。
作者首先指出计算机视觉对3维世界的理解离不开图像的特征检测和跟踪，随后又指出边缘信息检测和跟踪存在很多问题，不太适合理解3维真实世界，所以作者把工作重心放在特征点的检测和跟踪上。
本文特征点和边缘检测的思想很简单，其思想来源于前人Moravec的角点检测算法。即用一个小的窗口在像素点周围移动，如果沿任何方向的窗口图像内平均强度很少改变，则认为平坦地区；如果沿一个方向其窗口图像平均强度改变很大，但沿其垂直方向窗口图像平均强度改变很小，则认为是图像的边缘；如果沿任意方向其值改变都很大，则认为是角点。
但是Moravec的角点检测存在一些问题。
首先其只考虑了一些45度倍数方向上离散的角度值，所以是各向异性的。Harris在此基础上利用泰勒展开式进行了暂开，考虑到了所有方向。这其中 在窗口平移很小的情况下，是可以用图像的一阶导和二阶导近视的。
其次是Morave角点检测的窗口是一个方形的，Harris将其改为了高斯窗口。
最后作者将平均响应函数表示成了二次型形式。且对其二次矩阵M求特征值。利用二个特征值的分布来区分是否为边缘，角点或者平坦区域。即如果2个特征值都比较大则是角点；如果2个特征值都比较小，则是平坦区域；如果一个特征值大，一个特征值小，则是边缘区域。
以上只是定性分析。为了达到定理分析好用程序处理，作者又提出了角点检测的响应函数R。R=det(M)-k*Tr*Tr。即利用矩阵M的行列式和迹来表示，k为常数，经验值。在这种情况下，R大于某一个正阈值，则为角点；小于某一个负阈值，则为边缘；绝对值很小时为平坦区域。
2. 读Förstner, W. and E. Gülch (1987). A fast operator for detection and precise location of distinct points, corners and centres of circular features.
本文提出的算法名为forstner角点检测。该算法能够快速的检测和定位显著的像素点、角点、圆形图像的中心点。有显著不同的点在图像匹配和跟踪上有很大的应用。在分析多面体时这些点具体来说一般有角点，边缘等。另外圆形图像的中心，比如孔洞，圆盘，圆环等在一维图像分析上也很有用。本文的算法分为2个部分：窗口的选择和特征点的定位。
作者在论文的开始提出了图像特征点必须具备5个特点，即显著性、不变性、稳定性、罕见性、可解释性。而作者声称forstner具备这5点。
下面是引用网上比较好的介绍forstner特征点检测算法的ppt：
2.读Mikolajczyk, K. and C. Schmid (2004). "Scale & affine invariant interest point detectors." International journal of computer vision 60(1): 63-86.
本文提出的特征点检测算子叫做AIFT，是不是与SIFT名字有点类似呢？SIFT是尺度无关特征变换，AIFT是仿射无关特征变换，2者都是04年发的文章，不过AIFT影响力远远不及SIFT，现在SIFT已经是计算机视觉领域引用率No.1的。该文章也比较难读懂，作者也没有给源码，更难读下去。以后有需要在仔细看吧。现在只知道AIFT的大概原理是从局部的结构来估计其仿射形状。其它的就不是很懂了，既然是仿射无关的，那么应该对物体的仿射几何变换不敏感。
3.读Liu, G., Z. Lin, et al. (2009). "Radon representation-based feature descriptor for texture classification." Image Processing, IEEE Transactions on 18(5): 921-928.
该文是用来做纹理分类的。为什么突然读到了这篇文章呢，那是因为这篇文章引用了第二篇文章中的AIFT算子。当然了，本文主要将的还是基于Radon变换的特征提取，作者称其为RRFD特征描述子，即基于Randon表述的特征描述算子。RRFD将原始的像素点变换到Radon像素级的图片中，作者说转换后的像素点的信息量更有效且维数更低。RRFD是尺度无关，仿射无关，光照无关的。当然具体什么是Randon变换也没看懂，据说是与Hough变换有点类似，听说应用还是蛮广的。既然应用这么广，等到下次用得到的时候再来看吧。
