本文著重介紹了用于圖像特征點檢測的算法，FAST算法，以及使用matlab的實現。

FAST算法是一種拐點檢測算法，其主要應用于提取圖像中的特征點，在動態成像的一系列圖像中追蹤定位對象。眾所周知，我們生活的世界是動態化的，3D的，如何關聯動態化過程中的平移，畸變，旋轉對象，對每一幀的圖像與上一幀之間的空間關系進行分析，很大程度上需求我們在每一幀中找到對應的關鍵點。FAST方法，拐點檢測方法,簡單來說就是用于提取圖像中的關鍵點的算法，為進一步的圖像處理，包括相機標定，SLAM打下了基礎。

1. FAST算法解析

FAST拐點檢測算法使用了一個包含了16個像素點的圓來判斷目標點P是不是一個真正意義上的拐點。這16個像素點標序號為1至16。對于每一個候選像素點P，其強度為$I_p$ (灰度圖中即為該像素點的灰度值)。如果該圓中N個連續像素都比候選像素點P的強度亮很多，或都比候選像素點P的強度暗很多，那么P就被分類為一個拐點。 這個也比較好理解，即找出局部范圍內最亮或最暗的點，作為局部圖像的關鍵點。P為拐點所包含的情況如下:

• 條件1 : 一系列$N$個連續的像素點$S$，$?s\in S,I_x>Ip+t$
• 條件2 : 一系列$N$個連續的像素點$S$, $?s\in S,I_x<Ip?t$

滿足兩個條件其中的任意一個，則可以認為像素點P為該局部區域的一個拐點。上述條件中，$N$ 為連續的像素點個數，$I_x$為像素點$x$的強度，$t$為設置的閾值。顯然，調整$N$以及閾值$t$，可以影響被分類為拐點的像素點P的個數。$N$值越大，被分類為拐點的像素點個數就會減少，同樣$t$值越大，被分類為拐點的像素點個數也會減少。
tips : 所謂的$N$個連續的像素點，指的是例如$N=5$ , $[1,2,3,4,5],[2,3,4,5,6]...$這樣的像素點稱為$N$個連續的像素點。

接下來我們就看看使用matlab如何實現這個拐點檢測算法FAST。

2. MATLAB實現

下面就放出matlab代碼，用于檢測圖像I中基于閾值t的拐點的函數。返回一個包含了這些拐點像素點坐標的矩陣。注釋中詳細解釋了代碼的原理。

function CS = FAST(I,t) % I : 灰度圖片 % t : 用戶選擇的閾值% 定義一個矩陣，描述了16個像素點關于待測像素點P的坐標關系。 % 需要注意的是，這些坐標的定義(i,j)為先行后列。 List_voisinage = [ -3 0;-3 1;-2 2;-1 3;0 3;1 3;2 2;3 1;3 0;3 -1;2 -2;1 -3;0 -3;-1 -3;-2 -2;-3,-1]; [height, width] = size(I); % 初始化CS矩陣為空矩陣 CS = []; const = 3; % 定義N個連續的像素點，這里取值12，可以根據需求更改 N = 12; % 由于我們要在整個圖像上進行遍歷，因此在沒有Padding補充的情況下，需要考慮邊緣的像素點 for i = const+1 : height - constfor j = const+1 : width - constIp = I(i,j);% 與算法描述相同，根據閾值規定上限下限upper = Ip + t;lower = Ip - t;% 將P周圍的16個像素點的坐標及他們的灰度值，分別保存在coordonne_list 和% values_list 中 coordonne_list = zeros(16,2);values_list = zeros(16,1,"uint8");for k = 1:16coordonne_list(k,:) = List_voisinage(k,:) + [i, j];values_list(k,:) = I(coordonne_list(k,1),coordonne_list(k,2));end% X1向量，用于判斷條件1是否滿足X1 = zeros(16,1); for k = 1:16% 遍歷，給X1向量賦值 0 或 1 的邏輯值X1(k) = values_list(k,1) > upper; end cond1voisins = X1;cond1verifiee = 0;compteur = 0;% 當條件1滿足或數組已經循環平移過整個數組長度16時，結束循環while ~cond1verifiee && (compteur<16)nbVoisinCond1 = sum(cond1voisins(1:N));% 判斷是否N個bool值都是1，即X1前N項和為Ncond1verifiee = (nbVoisinCond1 == N);% cirshift函數用于循環平移數組cond1voisins = circshift(X1,1)';compteur = compteur + 1;end% 滿足條件1的時候，將目標點P的坐標添加進矩陣CSif cond1verifieeCS = [CS;[i,j]]; else% 如果條件1不滿足，則繼續判斷條件2，與條件一大同小異X2 = zeros(16,1);for k = 1:16X2(k) = values_list(k,1) < lower;endcond2voisins = X2;cond2verifiee = 0;compteur = 0;while ~cond2verifiee && (compteur<16)nbVoisinCond2 = sum(cond2voisins(1:N));cond2verifiee = (nbVoisinCond2 == N);cond2voisins = circshift(X1,1)';compteur = compteur + 1;end% 同樣如果滿足了條件2，點P也分類為拐點，將其坐標添加入矩陣CSif cond2verifieeCS = [CS;[i,j]];end end end endend

3. 使用FAST function進行拐點檢測的實驗

I1 = imread("1.JPG"); I1_gray = rgb2gray(I1); cs1 = FAST(I1_gray,30); figure() imagesc(I1) hold on plot(cs1(:,2),cs1(:,1),"*")

檢測目標點結果如下 :

在這個實例中，設置了N值為12，閾值t為30。通過調整這兩個變量可以改變提取出的關鍵點的個數。

\newline
\newline
\newline
參考文獻 :

• Rosten, Edward; Reid Porter; Tom Drummond (2010). “FASTER and better: A machine learning approach to corner detection”. IEEE Transactions on Pattern Analysis and Machine Intelligence. 32 (1): 105–119. arXiv:0810.2434. doi:10.1109/TPAMI.2008.275. PMID 19926902.

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的特征点检测 FAST算法及代码详解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。