[영상처리] 이미지 특징점(Feature) 검출 방법

이전에 영상 와핑(Warping)을 공부하고 구현을 하면서 직접 영상에서 코너(corner)를 찾는 것이 매우 귀찮았다.

 

그래서 코너점 검출하는 방법이 당연히 있을 것이니 알아보았다.

 

물론 깊게 공부하여 정리하는 것은 아니고, 각 알고리즘의 논문들을 하나씩 읽어볼 계획이다.

 

여기서는 간단하게 어떠한 방식이다 정도만 정리하려고 한다.

 

* Harris Corner

 

  - 영상에서 작은 위도우를 조금씩 이동(Shift)시켰을 때, 코너점의 경우는 모든 방향으로 영상변화가 커야한다라는 것을

    기반으로 한다.

 

  - 2 x 2 행렬 M의  두 고유값(eigenvalue)를 구하고, 두 값이 모두 큰 값이면 코너점으로 판단한다.

 

  - 두 고유값 중에서 하나는 크고 하나는 작은 값이면 엣지(edge) 영역으로 판단한다.

 

  - 두 고유값이 모두 작은 값이면 'flat'한 영역으로 본다.

 

  - Harris Corner는 영상의 평행이동, 회전 변화에는 불변성을 뛰고, affine 변환이나 조명 변화에도 어느정도 강인하다.

 

  - 영상의 크기 변환에는 영향을 받는다.

    -> Harris Corner 검출 후 스케일 변화에 대해 Laplacian이 극대인 점을 선택하는 방식(Harris-Laplacian)이 이후 발표됨.

 

 

* shi & Tomasi

 

  - Harris 방법처럼 M의 두 eigenvalue를 같이 고려하는 것보다는 두 고유 값중 최소값만을 고려하는 것이 더 좋다는 것을

    이용한다.

 

 

* SIFT(Scale Invariant Feature Transform)

 

  - Harris의 스케일 변화에 민감한 문제를 해결하기 위해 연구되었다.

 

  - DoG(Difference of Gaussian)를 기반으로 이미지 내에서 뿐만 아니라 스케일 축으로도 코너성이 극대인 점을 찾는다.

 

  - 이미지 피라미드를 구축한 후 모든 스케일에서 코너성을 계산한 후 각 스케일마다 Laplacian 함수값을 계산한다.

 

  - 스케일 축으로 극대(또는 극소)인 점들을 특징점으로 선택한다.

 

  - 속도 문제로 실제 스케일 모두를 계산하지는 않고, DoG를 이용하여 스케일별 Laplacian을 근사적으로 계산하여 이용한

    다.

    -> DoG는 찾아보지 않았지만 이름으로 봤을 때 Gaussian의 차이값으로 Laplacian의 근사값을 구할 수 있는 것 같다.

 

  - OpenCV에 함수로 존재한다.

 

 

 

* FAST(Features from Accelerated Segment Test)

 

  - 어떤 점 p가 코너(croner)인지 여부를 p를 중심으로 하는 반지름 3인 원 상의 16개 픽셀값을 보고 판단한다.

    (영상에 마스크를 씌워서 판단하는 것과 비슷한 맥락인 것 같다.)

 

  - p보다 일정값 이상 밝은 ( > p+t ) 픽셀들이 n개 이상 연속되어 있거나 또는 일정값 이상 어두운 ( < p-t ) 픽셀들이 n개

    이상 연속되어 있으면 p를 코너점으로 판단한다.

 

 

* AGAST(2010)

 

  - FAST의 성능을 약 20~30% 정도 더 개선시킨 방법

 

 

이외에도 SIFT, SURF, ORB 등 많은 방법이 있다.

 

 

후에 알아볼 것이 더 많고 더 깊게 공부해봐야 할 것이다. 지금은 와핑을 먼저 공부해야 한다..

 

 

 

출처 : 다크프로그래머님의 포스트를 보고 공부했다.