19、基于遗传编程的兴趣点检测器进化合成

基于遗传编程的兴趣点检测器进化合成

1. 相关工作

兴趣点检测源于角点检测器的研究，角点检测器通常分为三类：基于轮廓的方法、基于参数模型的方法和基于图像强度的方法。直接作用于强度图像的角点检测器更适合称为兴趣点检测器。可以使用形式为 (K(x) : R^+ \to R) 的映射来衡量每个像素的显著性或趣味性，我们将其称为兴趣点算子。每个兴趣点检测器会使用不同的算子 (K)，检测器指的是提取兴趣点的完整算法过程，而算子仅计算相应的兴趣度量。将 (K) 应用于图像 (I) 会生成所谓的兴趣图像 (I^*)。

常见的基于局部自相关矩阵 (A) 的兴趣点检测器有：
- (K_{Harris\&Stephens}(x) = det(A) - Tr(A)^2)
- (K_{Forstner}(x) = \frac{det(A)}{Tr(A)})
- (K_{Shi\&Tomasi}(x) = min{\lambda_1, \lambda_2})

其中，(\lambda_1, \lambda_2) 是 (A) 的两个特征值。另外，还有基于黑塞矩阵行列式、拉普拉斯算子和梯度幅度等的兴趣度量。

所有检测器都遵循相同的基本过程：
1. 将 (K) 应用于 (I) 以获得兴趣图像 (I^*)。
2. 如果满足以下条件，则将像素 (x) 识别为兴趣点：
(K(x) > sup{K(x_W)|\forall x_W \in W, x_W \neq x} \land K(x) > h)
其中，(W) 是 (x) 周围 (n\times n) 的方形邻域，(h) 是经验定义的阈值。