Detector de cantons

La detecció de cantons és un acostament usat en els sistemes de visió per computadora per a extraure certs tipos de traces i inferir el contingut d'una image. La detecció de cantons freqüentment s'usa en la detecció de moviment, anàlisis d'image, rastreig en video, modelat 3D i reconeiximent d'objectes entre uns atres. La detecció de cantons se solapa en un tema més abarcador: la detecció de punts d'interés.

Formalisació

Un cantó pot definir-se com l'intersecció de dos vores. També pot definir-se com un punt per al que hi ha dos direccions de vores dominants i diferents en un veïnat local del punt.

Un punt d'interés és un punt en una image que té una posició ben definida i pot ser detectat de forma robusta. Açò significa que un punt d'interés pot ser un cantó pero també pot ser, per eixemple, un punt aïllat d'intensitat local màxima o mínima, final de llínees, o un punt en una curva a on la curvatura és localment màxima.

En la pràctica, els métodos de detecció de cantons són cridats detecció de punts d'interés en general. Com una conseqüència, si solament cantons seran descobertes és necessari fer un anàlisis local de detecció de punts d'interés per a determinar cuales d'estos són els cantons reals. Existixen detectors de vores que poden usar-se per a descobrir cantons en post-processat, estos són l'operador Kirsch i el Frei-Chen masking set.

"Cantons", "punts d'interés" i "traces";s'usen en la lliteratura a voltes indistintament, confonent el problema. Hi ha específicament, alguns detectors usats en el reconeiximent de regions que poden ser cridats operadors de punts d'interés, pero que a voltes són erròneament cridats detectors de cantons. Els detectors de cantons normalment no són molt robusts i a sovint requerixen supervisió especialisada o l'introducció de grans redundància per a impedir l'efecte d'errors individuals en la tasca de reconeiximent.

Una forma de determinar la calitat d'un detector de cantons és la seua habilitat de descobrir el mateix cantó en múltiples imàgens similars, baix condicions d'allumenament diferents, translació i rotació entre atres transformacions. Un acostament simple per a la detecció de cantons en imàgens és usant la correlació, pero est és costós computacionalment i suboptimal. Un acostament alternatiu freqüentment usat és basat en un método propost per Harris i Stephens, que a la seua volta és una millora del de Moravec.

L'algoritme de Moravec per a la detecció de cantons

Este és un dels primers algoritmes de detecció de cantons. L'algoritme analisa cada píxel en l'image per a vore si hi ha un cantó, considerant la similitut en un pegat centrat en el píxel propenc, solapando aixina els pegats. La similitut és moderada prenent la suma de diferències quadrades (SDC) entre els dos pegats. Un baix número indica més similitut.

Si el píxel està en una regió d'intensitat uniforme, llavors els pegats propencs semblaran similars. Si el píxel està en una vora, llavors els pegats propencs en una direcció perpendicular a la vora es voran prou diferents, pero els propencs en una direcció paralela a la vora solament produiran un chicotet canvi. Si el píxel està en una traça en variació en totes les direccions, llavors cap dels pegats propencs semblarà similar.

La força del cantó es definix com el SDC més chicotet entre el pegat i els seus veïns (horisontal, vertical i en les dos diagonals). Si este número és localment màxim, llavors una traça d'interés està present. Un dels problemes principals en este operador és que no és isotrópico: si existix una vora que no està en la direcció del veïnat, llavors el SSD més chicotet serà el més gran i la vora es triarà incorrectament com un punt d'interés.

Vore també

• Reconeiximent de regions
• Adaptació de forma afí