Harris Eckendetektor: Enthüllung der Magie der Bildmerkmalserkennung
Von Fouad Sabry
()
Über dieses E-Book
Was ist Harris Eckendetektor?
Der Harris-Eckendetektor ist ein Eckenerkennungsoperator, der häufig in Computer-Vision-Algorithmen verwendet wird, um Ecken zu extrahieren und auf Merkmale eines Bildes zu schließen. Es wurde erstmals 1988 von Chris Harris und Mike Stephens nach der Verbesserung des Eckendetektors von Moravec eingeführt. Im Vergleich zu seinem Vorgänger berücksichtigt der Eckendetektor von Harris die Differenz der Eckenbewertung in Bezug auf die Richtung direkt, anstatt für alle 45-Grad-Winkel verschobene Patches zu verwenden, und hat sich als genauer bei der Unterscheidung zwischen Kanten und Ecken erwiesen. Seitdem wurde es verbessert und in viele Algorithmen übernommen, um Bilder für nachfolgende Anwendungen vorzuverarbeiten.
Wie Sie davon profitieren
(I) Erkenntnisse und Validierungen zu den folgenden Themen:
Kapitel 1: Harris-Eckendetektor
Kapitel 2: Eckenerkennung
Kapitel 3: Strukturtensor
Kapitel 4: Harris-Detektor für affine Regionen
Kapitel 5: Lucas-Kanade-Methode
Kapitel 6: Hessische Matrix
Kapitel 7: Lernen geometrischer Merkmale
Kapitel 8: Tensordichte
Kapitel 9: Mehrotra-Prädiktor-Korrektor-Methode
Kapitel 10: Diskreter Laplace-Operator
(II) Beantwortung der häufigsten öffentlichen Fragen zum Harris Corner Detector.
(III) Beispiele aus der Praxis für den Einsatz des Harris-Eckendetektors in vielen Bereichen.
Für wen dieses Buch ist
Fachleute, Studenten und Doktoranden, Enthusiasten, Bastler und diejenigen, die über das Grundwissen oder die Informationen zu Harris-Eckdetektoren jeglicher Art hinausgehen möchten.
Mehr von Fouad Sabry lesen
Neue Technologien In Der Informations- Und Kommunikationstechnologie [German]
Ähnlich wie Harris Eckendetektor
Titel in dieser Serie (100)
Homographie: Homographie: Transformationen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenInpainting: Überbrückung von Lücken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbmodell: Das Spektrum des Computer Vision verstehen: Farbmodelle erkunden Bewertung: 0 von 5 Sternen0 BewertungenComputer Vision: Erkundung der Tiefen des Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenLärmminderung: Verbesserung der Klarheit, fortschrittliche Techniken zur Rauschunterdrückung in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenTonzuordnung: Tone Mapping: Erhellende Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenGamma-Korrektur: Verbesserung der visuellen Klarheit in der Computer Vision: Die Gammakorrekturtechnik Bewertung: 0 von 5 Sternen0 BewertungenComputer-Stereo-Vision: Erforschung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBildhistogramm: Visuelle Einblicke enthüllen und die Tiefen von Bildhistogrammen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenGemeinsame Fotoexpertengruppe: Erschließen Sie das Potenzial visueller Daten mit dem JPEG-Standard Bewertung: 0 von 5 Sternen0 BewertungenUnterwasser-Computervision: Erkundung der Tiefen der Computer Vision unter den Wellen Bewertung: 0 von 5 Sternen0 BewertungenRetinex: Enthüllen Sie die Geheimnisse des computergestützten Sehens mit Retinex Bewertung: 0 von 5 Sternen0 BewertungenAffine Transformation: Visuelle Perspektiven freischalten: Erforschung der affinen Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAnisotrope Diffusion: Verbesserung der Bildanalyse durch anisotrope Diffusion Bewertung: 0 von 5 Sternen0 BewertungenHough-Transformation: Enthüllung der Magie der Hough-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBildkompression: Effiziente Techniken zur visuellen Datenoptimierung Bewertung: 0 von 5 Sternen0 BewertungenFarbraum: Erkundung des Spektrums von Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbanpassungsfunktion: Spektrale Empfindlichkeit in Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenHistogrammausgleich: Verbesserung des Bildkontrasts für eine verbesserte visuelle Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenEigenface: Erkunden Sie die Tiefen der visuellen Erkennung mit Eigenface Bewertung: 0 von 5 Sternen0 BewertungenSchätzung der artikulierten Körperhaltung: Erschließung menschlicher Bewegung in Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRadon-Transformation: Aufdecken verborgener Muster in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenVisuelle Wahrnehmung: Einblicke in die computergestützte visuelle Verarbeitung Bewertung: 0 von 5 Sternen0 BewertungenHadamard-Transformation: Enthüllung der Leistungsfähigkeit der Hadamard-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenKontextuelle Bildklassifizierung: Visuelle Daten für eine effektive Klassifizierung verstehen Bewertung: 0 von 5 Sternen0 BewertungenAutomatische Nummernschilderkennung: Das Potenzial der Computer-Vision-Technologie erschließen Bewertung: 0 von 5 Sternen0 BewertungenBündelanpassung: Optimieren visueller Daten für eine präzise Rekonstruktion Bewertung: 0 von 5 Sternen0 BewertungenFilterbank: Einblicke in die Filterbanktechniken von Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarberscheinungsmodell: Wahrnehmung und Darstellung in Computer Vision verstehen Bewertung: 0 von 5 Sternen0 Bewertungen
Ähnliche E-Books
Kantenerkennung: Grenzen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenBlob-Erkennung: Aufdecken von Mustern in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenSkalierungsinvariante Feature-Transformation: Enthüllung der Leistungsfähigkeit der skaleninvarianten Merkmalstransformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenCanny Edge Detector: Enthüllung der Kunst der visuellen Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenKontextuelle Bildklassifizierung: Visuelle Daten für eine effektive Klassifizierung verstehen Bewertung: 0 von 5 Sternen0 BewertungenRaytracing-Grafiken: Erforschung des fotorealistischen Renderings in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBildsegmentierung: Erkenntnisse durch Pixelpräzision erschließen Bewertung: 0 von 5 Sternen0 BewertungenVerfahrensoberfläche: Erforschung der Texturgenerierung und -analyse in Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenComputer-Stereo-Vision: Erforschung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenPyramiden Bildverarbeitung: Erkundung der Tiefen der visuellen Analyse Bewertung: 0 von 5 Sternen0 BewertungenSkalieren Sie den Raum: Erforschung von Dimensionen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenVektorgrafik-Editor: Ermöglichen Sie die visuelle Erstellung mit fortschrittlichen Algorithmen Bewertung: 0 von 5 Sternen0 BewertungenBump-Mapping: Bump Mapping: Erforschung der Tiefe der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRastergrafik-Editor: Visuelle Realitäten transformieren: Rastergrafik-Editoren in Computer Vision beherrschen Bewertung: 0 von 5 Sternen0 BewertungenBewegungsschätzung: Fortschritte und Anwendungen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenLernen geometrischer Merkmale: Visuelle Einblicke durch das Lernen geometrischer Merkmale erschließen Bewertung: 0 von 5 Sternen0 BewertungenVertex-Computergrafik: Erkundung der Schnittstelle zwischen Vertex Computer Graphics und Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRastergrafiken: Die Grundlagen der Rastergrafik in der Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenComputer-Vision-Grafikschnitte: Erforschung von Graphschnitten in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHough-Transformation: Enthüllung der Magie der Hough-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenOrientiertes Gradienten-Histogramm: Enthüllung des visuellen Bereichs: Erkundung des Histogramms mit orientierten Farbverläufen in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenTextur Zuordnung: Erforschung der Dimensionalität im Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenSchattierung: Erforschung der Bildschattierung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenGeometrisches Hashing: Effiziente Algorithmen zur Bilderkennung und -anpassung Bewertung: 0 von 5 Sternen0 BewertungenDigitale Rastergrafik: Enthüllung der Leistungsfähigkeit digitaler Rastergrafiken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenDokumentmosaikierung: Visuelle Einblicke durch Dokumentmosaikierung erschließen Bewertung: 0 von 5 Sternen0 BewertungenBündelanpassung: Optimieren visueller Daten für eine präzise Rekonstruktion Bewertung: 0 von 5 Sternen0 BewertungenTonzuordnung: Tone Mapping: Erhellende Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenVolumen Rendern: Erforschung des Visuellen Realismus in der Computer Vision Bewertung: 0 von 5 Sternen0 Bewertungen
Künstliche Intelligenz (KI) & Semantik für Sie
Chatbotische Medien-Gestaltung leicht gemacht: Von der Idee zum viralen Hit Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Begegnung mit einer neuen Welt: Lernen Sie Künstliche Intelligenz mit der Gratisversion ChatGPT 3.5 Bewertung: 0 von 5 Sternen0 BewertungenChatbotische Landingpages: Wie du deine Konkurrenz in den digitalen Staub schicken Bewertung: 0 von 5 Sternen0 BewertungenChatGPT – Für Einsteiger: Schreibprofi mit KI, Zeit und Geld sparen ohne peinliche Fehler Bewertung: 0 von 5 Sternen0 BewertungenPsychologie des Sozialismus Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz: Die vierte industrielle Revolution Bewertung: 0 von 5 Sternen0 BewertungenKI-Innovationen: Wie die Technologie die Grenzen verschiebt Künstliche Intelligenz verstehen und nutzen: Ein AI-Buch Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Epische Reise des Erfolgs - 'Steigern Sie Ihren Reichtum': Mit Screenshots aus dem echten Leben - Erreichen Sie finanzielle Höhen Bewertung: 0 von 5 Sternen0 BewertungenRoboter im Alltag: Maschinen (beinahe) wie Menschen Bewertung: 0 von 5 Sternen0 BewertungenDie KI Bibel, mit künstlicher Intelligenz Geld verdienen: Echte Fallbeispiele und Anleitungen zum Umsetzen Bewertung: 1 von 5 Sternen1/5Meistern von ChatGPT: Entriegeln Sie die Kraft der KI für verbesserte Kommunikation und Beziehungen: German Bewertung: 0 von 5 Sternen0 BewertungenDie Zukunft der Arbeit: Digitalisierung, Automatisierung, KI Bewertung: 0 von 5 Sternen0 BewertungenMenschlicher Geist und Künstliche Intelligenz: Die Entwicklung des Humanen inmitten einer digitalen Welt Bewertung: 0 von 5 Sternen0 BewertungenWissen statt Glauben!: Das Weltbild des neuen Humanismus Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz in Sozialen Medien Bewertung: 0 von 5 Sternen0 BewertungenAufstieg der Roboter: Wie unsere Arbeitswelt gerade auf den Kopf gestellt wird - und wie wir darauf reagieren müssen Bewertung: 0 von 5 Sternen0 BewertungenEinstieg ins Machine Learning: Grundlagen, Prinzipien, erste Schritte Bewertung: 0 von 5 Sternen0 BewertungenDigitalotopia: Sind wir bereit für die (R)Evolution der Wirklichkeit? Bewertung: 0 von 5 Sternen0 Bewertungen
Rezensionen für Harris Eckendetektor
0 Bewertungen0 Rezensionen
Buchvorschau
Harris Eckendetektor - Fouad Sabry
Kapitel 1: Harris Eckendetektor
Der Harris-Eckendetektor wird häufig in Computer-Vision-Algorithmen für die Eckenextraktion und Merkmalsinferenz eingesetzt und ist eine Art Eckenerkennungsoperator. Chris Harris und Mike Stephens brachten ihn erstmals 1988 auf den Markt, nachdem sie Moravecs Eckendetektor verfeinert hatten. Seitdem wurde es verfeinert und in eine Vielzahl von Algorithmen implementiert, die zur Vorbereitung von Bildern für die Verwendung in anderen Kontexten verwendet werden.
Eine Ecke ist eine Position, an der sich zwei tangentiale Hauptkanten treffen. Eine Möglichkeit, sich eine Ecke vorzustellen, ist der Treffpunkt zweier Kanten, wobei eine Kante eine deutliche Verschiebung des Tonwerts innerhalb eines Bildes darstellt. Wichtige Bildmerkmale oder Interessenpunkte sind Ecken, da sie unverändert bleiben, wenn das Bild verschoben, gedreht oder beleuchtet wird. Die Ecken eines Bildes machen vielleicht nur einen kleinen Bruchteil des Ganzen aus, aber sie enthalten einige der wichtigsten Funktionen für die Wiederherstellung von Bildinformationen und können verwendet werden, um die Datenmenge zu reduzieren, die für Aufgaben wie Bewegungsverfolgung, Bildzusammenfügung, Erstellung von 2D-Mosaiken, Stereovision, Bilddarstellung, Und so weiter.
Viele verschiedene Eckdetektoren wurden von Forschern entwickelt, um die Ecken des Bildes zu extrahieren, aber der Kanade-Lucas-Tomasi (KLT)-Operator und der Harris-Operator zeichnen sich als die einfachsten, effizientesten und vertrauenswürdigsten aus. Diese beiden gängigen Ansätze sind mit der lokalen Strukturmatrix verwandt und von ihr abhängig. Der Harris-Eckendetektor wird bevorzugt für den Einsatz beim Stereoabgleich und beim Abrufen von Bilddatenbanken verwendet, da er trotz Licht- und Rotationsänderungen eine hohe Genauigkeit beibehält. Der Harris-Eckendetektor ist trotz seiner Mängel und Einschränkungen immer noch eine entscheidende und grundlegende Methode in vielen Computer-Vision-Anwendungen.
Ohne den Umfang einzuschränken, wird hier von 2-dimensionalen Graustufenbildern ausgegangen.
Dieses Bild sei gegeben durch I .
Erwägen Sie, ein Bildfeld {\displaystyle (x,y)\in W} (Fenster) zu nehmen und es um zu verschieben {\displaystyle (\Delta x,\Delta y)} .
Die SSD vergleicht den Abstand zwischen diesen beiden Patches, bezeichnet f als , ist das Ergebnis von:
{\displaystyle f(\Delta x,\Delta y)={\underset {(x_{k},y_{k})\in W}{\sum }}\left(I(x_{k},y_{k})-I(x_{k}+\Delta x,y_{k}+\Delta y)\right)^{2}}{\displaystyle I(x+\Delta x,y+\Delta y)} kann durch eine Taylor-Erweiterung angenähert werden.
Seien I_{x} und I_y die partiellen Ableitungen von I , so dass
{\displaystyle I(x+\Delta x,y+\Delta y)\approx I(x,y)+I_{x}(x,y)\Delta x+I_{y}(x,y)\Delta y}Daraus ergibt sich die Annäherung.
{\displaystyle f(\Delta x,\Delta y)\approx {\underset {(x,y)\in W}{\sum }}\left(I_{x}(x,y)\Delta x+I_{y}(x,y)\Delta y\right)^{2},}deren Antworten durch Matrizen dargestellt werden können:
{\displaystyle f(\Delta x,\Delta y)\approx {\begin{pmatrix}\Delta x&\Delta y\end{pmatrix}}M{\begin{pmatrix}\Delta x\\\Delta y\end{pmatrix}},}wobei M einen Tensor der Struktur bezeichnet,
{\displaystyle M={\underset {(x,y)\in W}{\sum }}{\begin{bmatrix}I_{x}^{2}&I_{x}I_{y}\\I_{x}I_{y}&I_{y}^{2}\end{bmatrix}}={\begin{bmatrix}{\underset {(x,y)\in W}{\sum }}I_{x}^{2}&{\underset {(x,y)\in W}{\sum }}I_{x}I_{y}\\{\underset {(x,y)\in W}{\sum }}I_{x}I_{y}&{\underset {(x,y)\in W}{\sum }}I_{y}^{2}\end{bmatrix}}}Die Algorithmen zur Erkennung von Harris-Ecken werden oft in fünf Stufen unterteilt.
Farbe zu Graustufen
Räumliche Ableitungsberechnung
Aufbau von Struktur-Tensoren
Berechnung der Harris-Antwort
Reduzierte Unterdrückung
Um die Verarbeitungsgeschwindigkeit bei der Verwendung des Harris-Eckendetektors für ein Farbbild zu verbessern, wird es zunächst in Graustufen konvertiert.
Graustufen-Bildpixelwerte sind nur die gewichteten Summen der entsprechenden RGB-Werte, {\displaystyle \sum _{C\,\in \,\{R,G,B\}}w_{C}\cdot C} z. B. wo
,
Als nächstes sind die Zinsderivate die in Bezug auf x und y, und wir werden sie bestimmen, {\displaystyle I_{x}(x,y)} und {\displaystyle I_{y}(x,y)} .
Mit {\displaystyle I_{x}(x,y)} , {\displaystyle I_{y}(x,y)} können wir den Strukturtensor konstruieren M .
Für {\displaystyle x\ll y} hat man {\displaystyle {\tfrac {x\cdot y}{x+y}}=x{\tfrac {1}{1+x/y}}\approx x.} In diesem Schritt erhalten wir mit dieser Näherung den kleinsten Eigenwert des Strukturtensors:
{\displaystyle \lambda _{\min }\approx {\frac {\lambda _{1}\lambda _{2}}{(\lambda _{1}+\lambda _{2})}}={\frac {\det(M)}{\operatorname {tr} (M)}}}mit dem Trace {\displaystyle \mathrm {tr} (M)=m_{11}+m_{22}} .
Im Folgenden finden Sie eine alternative Harris-Antwortberechnung, die häufig verwendet wird:
{\displaystyle R=\lambda _{1}\lambda _{2}-k(\lambda _{1}+\lambda _{2})^{2}=\det(M)-k\operatorname {tr} (M)^{2}}wobei k eine empirisch bestimmte Konstante ist; {\displaystyle k\in [0.04,0.06]} .
Wenn wir die lokalen Maxima als Ecken innerhalb des Fensters finden, das ein 3 x 3-Filter ist, können wir die besten Werte auswählen, um Ecken zu kennzeichnen.
Detektor für Harris-Laplace-geformte Ecken
Eckendetektor mit differentieller morphologischer Zerlegung
Ein Eckendetektor, der auf mehrskaligen bilateralen Strukturtensoren basiert
Registrierung, Stitching und Ausrichtung von Bildern
Erstellung von 2D-Mosaiken
Rekonstruktion und Modellierung von 3D-Szenen
Bewegungserkennung
Objekterkennung
Inhaltsbasiertes Abrufen und Indizieren von Bildern
Video-Tracking
{Ende Kapitel 1}
Kapitel 2: Eckenerkennung
In Computer-Vision-Systemen wird die Eckenerkennung verwendet, um die Art eines Bildes abzuleiten, indem bestimmte Arten von Merkmalen extrahiert werden. Bewegungsanalyse, Bildregistrierung, Videoverfolgung, Mosaik, Panorama-Stitching, 3D-Rekonstruktion und Objekterkennung nutzen die Eckenerkennung auf die eine oder andere Weise. Es gibt eine gewisse Doppelarbeit zwischen der Eckenerkennung und der Interessenpunkterkennung.
Eine Ecke ist der Punkt, an dem sich zwei Kanten treffen. Eine alternative Definition einer Ecke ist ein Punkt mit zwei unterschiedlichen Kantenrichtungen, die unmittelbar daran angrenzen.
Ein Interessenpunkt ist eine bestimmte Stelle innerhalb eines Bildes, die genau identifiziert werden kann. Ein Interessenpunkt ist nicht auf eine Ecke beschränkt, sondern kann auch so etwas wie ein lokales Maximum oder Minimum in der Intensität, der Abschluss einer Linie oder ein Punkt in einer Kurve sein, an dem die Krümmung am höchsten ist.
In der Praxis erkennen die meisten Eckenerkennungs
-Ansätze nur interessante Stellen, und die Begriffe werden in der Literatur mehr oder weniger synonym verwendet.
Verschiedene Autoren verwenden die Begriffe Ecke
, Interessenpunkt
und Merkmal
synonym, was die Diskussion weiter trübt. Insbesondere gibt es eine Reihe von Blob-Detektoren, die als Interessenpunktoperatoren
bezeichnet werden können, aber allgemein als Eckdetektoren
bekannt sind. Auch die Existenz einer Ridge-Erkennung zur Identifizierung linearer Objekte ist bekannt.
Aufgrund ihrer inhärenten Fragilität erfordern Eckendetektoren in der Regel den Einsatz erheblicher Redundanz, um die Auswirkungen einzelner Fehler auf den Erkennungsprozess zu mindern.
Die Qualität eines Eckendetektors kann gemessen werden, indem seine Fähigkeit getestet wird, dieselbe Ecke in Bildern zu identifizieren, die ansonsten vergleichbar sind, aber Transformationen wie Skalierung, Drehung und Beleuchtungsänderungen unterzogen wurden.
Korrelation ist eine einfache Methode zur Erkennung von Ecken in Bildern, aber sie wird schnell rechenintensiv und ineffizient. Die von Harris und Stephens (unten) vorgeschlagene Methode, die eine Verbesserung einer von Moravec vorgeschlagenen Methode darstellt, bildet die Grundlage eines populären alternativen Ansatzes.
Dieser Ansatz, der auf die Anfänge der Eckenerkennung zurückgeht, verwendet eine Selbstähnlichkeitsschwelle, um Ecken zu identifizieren. Die Technik untersucht die Nähe eines auf dem Pixel zentrierten Patches zu anderen Patches, die es stark überlappen, um festzustellen, ob eine Ecke vorhanden ist. Die Ähnlichkeit wird berechnet, indem die quadratischen Abweichungen (SSD) der zugehörigen Pixel in jedem Patch summiert werden. Wenn die Zahl kleiner ist, gibt es eine größere Übereinstimmung.
Wenn sich das Pixel in einem Bereich mit gleichmäßiger Helligkeit befindet, haben benachbarte Felder ein ähnliches Aussehen. Wenn sich das Pixel in der Nähe einer Kante befindet, variiert das Erscheinungsbild von benachbarten Feldern, die senkrecht zur Kante stehen, erheblich, während nahe gelegene Felder, die parallel zur Kante verlaufen, das Erscheinungsbild nur geringfügig ändern. Wenn sich das Pixel auf einem multidirektional variablen Feature befindet, hat keines der benachbarten Felder ein gemeinsames Erscheinungsbild.
Als minimale Summe der quadratischen Differenzen (SSD) zwischen einem Patch und seinen Nachbarn die Eckenstärke (horizontal, vertikal und auf den beiden Diagonalen). Alle umgebenden Felder werden unterschiedlich angezeigt, wenn dieser Wert hoch ist, da die Streuung entlang aller Schichten gleich oder größer als dieser Wert ist.
Um zu bestimmen, ob ein interessantes Feature an einer bestimmten Stelle vorhanden ist, muss die Eckenstärkezahl für alle möglichen Positionen berechnet werden.
Laut Moravec besteht einer der Hauptnachteile dieses Operators darin, dass er nicht isotrop ist, was bedeutet, dass er fälschlicherweise eine Kante als Zinspunkt auswählt, wenn sie nicht senkrecht zu den Richtungen ihrer Nachbarn (horizontal, vertikal oder diagonal) steht.