代碼在git

$p_{10}$$p_9$$p_8$

	$p_{11}$				$p_7$
$p_{12}$						$p_6$
$p_{13}$			P			$p_5$
$p_{14}$						$p_4$
	$p_{15}$				$p_3$
		$p_{16}$	$p_1$	$p_2$

fast 算法的源碼實現只是比較

• $p$和$p_1$,$p_9$的灰度差
• $p$和$p_5$,$p_{13}$的灰度差

在計算fast 前需要進行中止濾波

在計算后要進行非極大抑制

• 第1步：在圖像中選擇某個像素，它的灰度值記為。
• 第2步：設定一個閾值，用于判斷兩個像素灰度值差異大小，為了能夠自適應不同的圖像，一般采用相對百分比例，比如設置為的20%。
• 第3步：以像素為中心，選取半徑為3的圓上的16個像素點。選取方式見下圖右所示。
• 第4步：如果16個像素點中有連續的個點的灰度大于或者小于，那么可以將像素確定為關鍵點。在ORB的論文中，作者說時效果較好，稱之為FAST-9。實際操作中為了加速，我們可以把第1，5，9，13個像素點當做錨點，在FAST-9算法中，只有當這4個錨點中有3個及以上灰度值同時大于或者小于，當前像素才可能是一個關鍵點進入到下一個階段的判斷，否則就可以排除掉，這大大加速了關鍵點檢測的速度。
• 第5步：遍歷圖像中每個像素點，循環執行以上四個步驟。

# 校驗rows, cols = image.shape[:2]if row < 3 or col < 3:return Falseif row >= rows-3 or col >= cols-3:return Falseintensity = int(image[row][col])ROI = circle(row, col)# 獲取位置1,9,5,13的像素值row1, col1 = ROI[0]row9, col9 = ROI[8]row5, col5 = ROI[4]row13, col13 = ROI[12]intensity1 = int(image[row1][col1])intensity9 = int(image[row9][col9])intensity5 = int(image[row5][col5])intensity13 = int(image[row13][col13])# 統計上面4個位置中滿足 像素值 > intensity + threshold點的個數countMore = 0# 統計上面4個位置中滿足 像素值 < intensity - threshold點的個數countLess = 0if intensity1 - intensity > threshold:countMore += 1elif intensity1 + threshold < intensity:countLess += 1if intensity9 - intensity > threshold:countMore += 1elif intensity9 + threshold < intensity:countLess += 1if intensity5 - intensity > threshold:countMore += 1elif intensity5 + threshold < intensity:countLess += 1if intensity13 - intensity > threshold:countMore += 1elif intensity13 + threshold < intensity:countLess += 1

總結

以上是生活随笔為你收集整理的fast 算法原理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。