组装类Haar滤波器进行边缘检测

Question

在位于此link处的“B.使用类Haar特征检测垂直边缘”的论文中，它提到使用类似Haar的内核以获得结果图像 它以Sobel算子的方式强调输入图像中的垂直或水平边缘。我理解Haar特征的方式是它们输出白色矩形的像素总和与灰色/黑色矩形的像素之和的差异。我无法确定生成的Haar内核的锚点（因为文中提到的尺寸是6 x 6）。我目前的理解是，如果我采用纸张中提到的垂直边缘遮罩，得到的6 x 6遮罩将是
  1,1,1，-1，-1，-1
  1,1,1，-1，-1，-1
  1,1,1，-1，-1，-1
  1,1,1，-1，-1，-1
  1,1,1，-1，-1，-1
  1,1,1，-1，-1，-1

如果对此有更多了解的人可以帮助我解决这个问题（内核的样子以及如何进行卷积以获得边缘图imap）我将非常感激。
感谢信。

Answer 1

根据论文Vehicle Detection Method using Haar-like Feature on Real Time System中提供的信息，我无法说明小组是如何完成的。但是我可以就如何实现这一点提出建议。

类似于haar的特征与卷积内核之间的主要区别在于类似haar的特征具有“固定位置”＆＃39;在将内核应用于每个像素时，在图像内。

卷积核通常将像素的局部邻域映射到0-255之间的值。然而，类Haar特征定义了从整个图像到单个值的映射。即将每个像素的总和偏置为-1,0,1。这种偏差取决于图像中像素的位置。

将卷积内核转换为一组要素

也就是说，我们可以为单个像素X扩展卷积内核，并使其看起来类似于类似于haar的特征：我们通过计算内核中给出的所有像素的总和来映射整个图像对于X和0的邻域。如果我们对图像中的所有像素执行此操作，我们最终会得到宽度*高度，许多要素将它们组合在一个大的特征向量中。显然，它们拥有卷积所具有的相同数量的信息。但是，我们失去了轻松访问“起源”的能力。一个特征，意味着内核连接到哪个像素以计算此特征。此信息已编码＆＃39;在该特征的定义范围内。

将一组要素转换为卷积内核

那么我们可以逆转上述过程吗？对于一般功能，这是不可能的。在上面给出的特征的情况下，我们可以将非零像素值作为卷积核。如果选择好功能集，我们将最终为每个功能提供相同的内核。然后是的，我们可以从功能集中获取内核。此外，我们可以找到＆＃39;起源＆＃39;通过平均特征地图中每个非零像素的位置来确定特征。

如果我们有类似哈尔的功能，那么答案很方便在论文中给出。卷积内核的大小为6 x 6，左半部分为1，右半部分为-1，正如您所建议的那样。 （对于另一个掩码，顶部为1，底部为-1。）现在，这个6 x 6内核的中心将是3.5 x 3.5，这不是像素值。

此外，定义为内核的映射不会映射到0-255。这可以通过缩放结果或应用阈值来修复。第二个会丢失一些信息，但可能会提供更稳定的结果。

现在的关键问题是选择哪些功能以便获得类似于haar的功能边缘＆＃34;在他们看到的图像＆＃39;图5？换句话说，必须在哪些位置评估内核？最好的办法是将内核附加到图像中4个像素的每个角落。这样，检测到的边缘存在于像素之间，这在某种程度上是有意义的，因为边缘由两个（或更多）像素之间的梯度限定。 请注意，生成的图像将比原始图像少1行1列。但是，结果值与边界类似，两个边界之间的所有内容都是相同的对象＆＃39;。

另一种方法是选择内核的（3,3）位置作为ancor点，并将此点附加到图像中的每个像素，就像eigenchris建议的那样。您也可以选择（1,1）或任何其他点。然而，正如eigenchris所提到的，边缘将出现。因此，要进行正确的分类并选择原始图像的正确区域，您必须考虑内核（真）中心与您选择的中心之间的距离。

Answer 2

摘自本文（https://www.cs.cmu.edu/~efros/courses/LBMV07/Papers/viola-cvpr-01.pdf）中参考文献[7]的第2部分：

  

两个矩形特征的值是两个矩形区域内像素之和的差值。

所以你对内核的解释是正确的。我只能假设他们将锚点放在(3,3)处，但这会导致边缘略微向上并显示在“真实”位置的左侧。