注意,在二值图分析的章节中,我们在计算图像区域的朝向时,首先,将旋转轴移动到了区域的中心,然后,计算图像区域绕着该轴旋转时的转动惯量。最小和最大转动惯量的比值,给出了图像区域形状的一种描述。比值越接近0,图像区域的形状越接近一条直线;比值越接近1,图像区域的形状越接近一个圆。
在上一小节中,我们用了上面的结论来设计角点检测算法,但是,我们并没有将旋转轴移动到梯度空间中二值图的中心,而是让旋转轴过原点。注意:图像中的一组平行的边缘对应于:梯度空间中一条过原点的直线。图10.9中所示的梯度空间中的一条不过原点的直线,对应着很多条不平行的边缘,因此,图像区域中存在角点(如果图像区域足够小)!
下面,我们将通过数学分析,说明两种不同情况:1)将旋转轴移动到梯度空间中二值图的中心和2)让旋转轴过原点,之间的关系。
图10.9 边缘图像并不是对应于梯度空间中的一条直线,而是对应于梯度空间中的一条过原点的直线。梯度空间中的一条不过原点的直线,对应着很多条不平行的边缘,因此,图像区域中存在角点。
我们令为梯度空间中二值图的中心,也就是说,
于是,式(10.51)可以被进一步写为:
我们令:(www.xing528.com)
进一步,我们令:
于是,式(10.52)可以被进一步写为:
上式又被称为:平行轴旋转定理。对于任意给定方向u=(c,s)T,当旋转轴过原点时,转动惯量为u T S u;当旋转轴过中心时,转动惯量为u T S u。因此,两者之间的关系为:
对于图10.9中的情况,当u=(c,s)T恰巧平行于图中的直线方向时,u T S u=0,但是,u T S u=。只有当图10.9中的直线过原点时,对于所有的图像亮度梯度(Ex,Ey)T,才有Ex c+Ey s=0,也就是说,;此时,u T S u=0。这种情况所对应的图像小块正好是边缘。因此,在上一小节中,我们通过:分析矩阵S的两个特征值之间的关系,来实现角点检测,而不是去分析矩阵 S的特征值。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。