角點偵測演算法 (Corner Detection Algorithms) 是電腦視覺中用於識別圖像中「角點」的技術。角點是指圖像中在兩個或多個方向上具有顯著強度變化的像素點，可以理解為圖像中局部區域的交叉點、尖銳的轉角或紋理的終止點。
為什麼角點偵測很重要？
角點在圖像分析中扮演著重要的角色，因為它們通常具有以下特性：* 獨特性： 相較於平坦區域或邊緣，角點在圖像中更容易被精確定位和區分。
* 局部性： 角點是局部特徵，其信息集中在一個小的圖像區域內。
* 穩定性： 在一定程度的圖像變換（如旋轉、縮放、光照變化）下，角點相對穩定。
* 對應性： 角點可以用於在不同的圖像之間建立對應關係，例如在影像配準、物體追蹤和三維重建等任務中。
常見的角點偵測演算法：
有許多不同的角點偵測演算法，它們基於不同的數學原理和方法。以下是一些最常見的：
* Harris 角點偵測器 (Harris Corner Detector)：
* 這是最經典且廣泛使用的角點偵測演算法之一。
* 它通過分析圖像中一個小鄰域內像素強度的變化來判斷是否為角點。
* Harris 角點偵測器會計算一個角點響應函數，該函數基於局部灰度梯度。當這個響應值在兩個主要方向上都很大時，該點就被視為角點。
* Harris 角點具有旋轉不變性，但對尺度變化敏感。
* Shi-Tomasi 角點偵測器 (Good Features to Track)：
* Shi-Tomasi 方法是對 Harris 角點偵測器的改進。
* 它直接計算局部灰度梯度協方差矩陣的兩個特徵值，並將較小的特徵值作為角點的評分。
* Shi-Tomasi 角點通常比 Harris 角點更穩定，尤其在有噪聲的情況下。
* FAST (Features from Accelerated Segment Test) 角點偵測器：
* FAST 是一種計算效率非常高的角點偵測演算法。
* 它通過檢查一個像素周圍的圓形鄰域內是否存在連續的像素，其強度與中心像素的強度有顯著差異來判斷是否為角點。
* FAST 角點的計算速度非常快，適合用於即時應用。
* SIFT (Scale-Invariant Feature Transform) 和 SURF (Speeded Up Robust Features)：
* 雖然 SIFT 和 SURF 主要被視為特徵點偵測和描述子，但它們也會檢測圖像中的關鍵點，這些關鍵點很多時候都是角點。
* 這兩種演算法的優點是具有尺度和旋轉不變性，使其在更複雜的場景中也能有效地工作。
角點偵測的步驟 (以 Harris 為例簡述)：
* 計算圖像在 x 和 y 方向的梯度 (Ix, Iy)。
* 計算這些梯度的平方和及乘積 (Ix², Iy², IxIy)。
* 對這些結果進行高斯平滑，得到局部區域的平均值。
* 計算 Harris 角點響應函數 R = det(M) - k(trace(M))²，其中 M 是由 Ix², Iy², IxIy 的局部平均值組成的 2x2 矩陣，k 是一個經驗常數。
* 設定一個閾值，響應值 R 大於該閾值的像素點被認為是候選角點。
* 進行非極大值抑制 (Non-Maximum Suppression, NMS)，去除鄰近的重複角點，保留局部響應最大的角點。
總結：
角點偵測演算法是電腦視覺中用於尋找圖像中具有顯著局部特徵的關鍵技術。不同的演算法在計算效率、穩定性和對各種圖像變換的魯棒性方面有所不同。選擇哪種演算法取決於具體的應用需求和場景特性。
