http://www.cnblogs.com/polly333/p/5417353.html

Fast特征檢測

一、Fast算法

1、基本原理

Fast特征點檢測feature2D原理是在圓周上按順時針方向從1到16的順序對圓周像素點進行編号。如果在圓周上有N個連續的像素的亮度都比圓心像素的亮度Ip加上門檻值t還要亮，或者比圓心像素的亮度減去門檻值還要暗，則圓心像素被稱為角點。

算法核心：利用周圍像素比較的資訊可以得到特征點，簡單、高效。

FAST特征檢測算法來源于corner的定義，基于特征點周圍的像素灰階值。檢測候選特征點周圍一圈的像素值，如果候選區域内像素點足夠多且與候選點灰階值內插補點足夠大，則認為一個特征點。是以思路是：建構內插補點視窗，門檻值選擇（點足夠多）

其中I(x)為圓周上任意一點的灰階，I(p)為圓心的灰階，Ed為灰階值差的門檻值，如果N大于給定門檻值，一般為周圍圓圈點的四分之三，則認為p是一個特征點。

在原理基礎上，為了提高運算速度，在計算時采用額外加速方法。

在點周圍每隔90度的四個點，如果有3個和候選點的灰階值值足夠大才認為此候選點為特征點候選點。如果不滿足此條件直接丢棄。程式中采用半徑為3，共有16（N）個周圍像素需要比較。FAST_9,FAST_10就是表示周圍像素個數。

2、算法流程

根據算法原理在設計程式時大體流程為：

1、設定門檻值：用于比較是否周圍像素點和候選點的內插補點是否足夠大，門檻值選擇很重要，也是一個缺陷

2、建構移動視窗：程式中設計為半徑為3，大約16個像素組成的區域，與中心點像素比較

3、候選像素與建構的周圍區域比較：算法采用先與圖中位置法檢查在位置1，9，5和13四個位置的像素，首先檢測位置1和位置9，如果它們都比門檻值暗或比門檻值亮，再檢測位置5和位置13。如果$P$是一個角點，那麼上述四個像素點中至少有3個應該必須都大于$I_p+t$或者小于$I_p-t$，因為若是一個角點，超過四分之三圓的部分應該滿足判斷條件。如果滿足，則檢測圓内所有點。如果不滿足直接舍棄

4、對角點進行非極大值抑制，得到角點輸出。

以上方法還是有不夠魯棒的地方，但可以通過機器學習和非極大值抑制的方法來增強魯棒性。

1、計算得分函數，它的值V是特征點與其圓周上16個像素點的絕對內插補點中所有連續10個像素中的最小值的最大值，而且該值還要大于門檻值t；

2、在3×3的特征點鄰域内（而不是圖像鄰域），比較V；

3、剔除掉非極大值的特征點

3、算法性質

1. 通過周圍區域判斷四個角上點不能拒絕許多的候選點；
2. 檢測出來的角點不是最優的，這是因為它的效率取決于問題的排序與角點的分布；
3. 對于角點分析的結果被丢棄了；
4. 多個特征點容易擠在一起
5. 門檻值選擇對結果有很大影響

二、算法源碼

注：此源碼來自于opencv，在此基礎進行分析和了解。

template<int patternSize>
void FAST_t(InputArray _img, std::vector<KeyPoint>& keypoints, int threshold, bool nonmax_suppression)
{
    Mat img = _img.getMat();    //提取出輸入圖像矩陣
    //K為圓周連續像素的個數
    //N用于循環圓周的像素點，因為要首尾連接配接，是以N要比實際圓周像素數量多K+1個
    const int K = patternSize/2, N = patternSize + K + 1;
#if CV_SSE2
    const int quarterPatternSize = patternSize/4;
    (void)quarterPatternSize;
#endif
    int i, j, k, pixel[25];
    //找到圓周像素點相對于圓心的偏移量
    makeOffsets(pixel, (int)img.step, patternSize);
    //特征點向量清零
    keypoints.clear();
    //保證門檻值不大于255，不小于0
    threshold = std::min(std::max(threshold, 0), 255);

#if CV_SSE2
    __m128i delta = _mm_set1_epi8(-128), t = _mm_set1_epi8((char)threshold), K16 = _mm_set1_epi8((char)K);
    (void)K16;
    (void)delta;
    (void)t;
#endif
    // threshold_tab為門檻值清單，在進行門檻值比較的時候，隻需查該表即可
    uchar threshold_tab[512];
    /*為門檻值清單指派，該表分為三段：第一段從threshold_tab[0]至threshold_tab[255 - threshold]，值為1，落在該區域的值表示滿足角點判斷條件2；第二段從threshold_tab[255 – threshold]至threshold_tab[255 + threshold]，值為0，落在該區域的值表示不是角點；第三段從threshold_tab[255 + threshold]至threshold_tab[511]，值為2，落在該區域的值表示滿足角點判斷條件1*/
    for( i = -255; i <= 255; i++ )
        threshold_tab[i+255] = (uchar)(i < -threshold ? 1 : i > threshold ? 2 : 0);
    //開辟一段記憶體空間
    AutoBuffer<uchar> _buf((img.cols+16)*3*(sizeof(int) + sizeof(uchar)) + 128);
    uchar* buf[3];
    /*buf[0、buf[1]和buf[2]分别表示圖像的前一行、目前行和後一行。因為在非極大值抑制的步驟2中，是要在3×3的角點鄰域内進行比較，是以需要三行的圖像資料。因為隻有得到了目前行的資料，是以對于上一行來說，才湊夠了連續三行的資料，是以輸出的非極大值抑制的結果是上一行資料的處理結果*/
    buf[0] = _buf; buf[1] = buf[0] + img.cols; buf[2] = buf[1] + img.cols;
    //cpbuf存儲角點的坐标位置，也是需要連續三行的資料
    int* cpbuf[3];
    cpbuf[0] = (int*)alignPtr(buf[2] + img.cols, sizeof(int)) + 1;
    cpbuf[1] = cpbuf[0] + img.cols + 1;
    cpbuf[2] = cpbuf[1] + img.cols + 1;
    memset(buf[0], 0, img.cols*3);    //buf數組記憶體清零
    //周遊整幅圖像像素，尋找角點
    //由于圓的半徑為3個像素，是以圖像的四周邊界都留出3個像素的寬度
    for(i = 3; i < img.rows-2; i++)
    {
        //得到圖像行的首位址指針
        const uchar* ptr = img.ptr<uchar>(i) + 3;
        //得到buf的某個數組，用于存儲目前行的得分函數的值V
        uchar* curr = buf[(i - 3)%3];
        //得到cpbuf的某個數組，用于存儲目前行的角點坐标位置
        int* cornerpos = cpbuf[(i - 3)%3];
        memset(curr, 0, img.cols);    //清零
        int ncorners = 0;    //檢測到的角點數量

        if( i < img.rows - 3 )
        {
            //每一行都留出3個像素的寬度
            j = 3;
    #if CV_SSE2
            if( patternSize == 16 )
            {
            for(; j < img.cols - 16 - 3; j += 16, ptr += 16)
            {
                __m128i m0, m1;
                __m128i v0 = _mm_loadu_si128((const __m128i*)ptr);
                __m128i v1 = _mm_xor_si128(_mm_subs_epu8(v0, t), delta);
                v0 = _mm_xor_si128(_mm_adds_epu8(v0, t), delta);

                __m128i x0 = _mm_sub_epi8(_mm_loadu_si128((const __m128i*)(ptr + pixel[0])), delta);
                __m128i x1 = _mm_sub_epi8(_mm_loadu_si128((const __m128i*)(ptr + pixel[quarterPatternSize])), delta);
                __m128i x2 = _mm_sub_epi8(_mm_loadu_si128((const __m128i*)(ptr + pixel[2*quarterPatternSize])), delta);
                __m128i x3 = _mm_sub_epi8(_mm_loadu_si128((const __m128i*)(ptr + pixel[3*quarterPatternSize])), delta);
                m0 = _mm_and_si128(_mm_cmpgt_epi8(x0, v0), _mm_cmpgt_epi8(x1, v0));
                m1 = _mm_and_si128(_mm_cmpgt_epi8(v1, x0), _mm_cmpgt_epi8(v1, x1));
                m0 = _mm_or_si128(m0, _mm_and_si128(_mm_cmpgt_epi8(x1, v0), _mm_cmpgt_epi8(x2, v0)));
                m1 = _mm_or_si128(m1, _mm_and_si128(_mm_cmpgt_epi8(v1, x1), _mm_cmpgt_epi8(v1, x2)));
                m0 = _mm_or_si128(m0, _mm_and_si128(_mm_cmpgt_epi8(x2, v0), _mm_cmpgt_epi8(x3, v0)));
                m1 = _mm_or_si128(m1, _mm_and_si128(_mm_cmpgt_epi8(v1, x2), _mm_cmpgt_epi8(v1, x3)));
                m0 = _mm_or_si128(m0, _mm_and_si128(_mm_cmpgt_epi8(x3, v0), _mm_cmpgt_epi8(x0, v0)));
                m1 = _mm_or_si128(m1, _mm_and_si128(_mm_cmpgt_epi8(v1, x3), _mm_cmpgt_epi8(v1, x0)));
                m0 = _mm_or_si128(m0, m1);
                int mask = _mm_movemask_epi8(m0);
                if( mask == 0 )
                    continue;
                if( (mask & 255) == 0 )
                {
                    j -= 8;
                    ptr -= 8;
                    continue;
                }

                __m128i c0 = _mm_setzero_si128(), c1 = c0, max0 = c0, max1 = c0;
                for( k = 0; k < N; k++ )
                {
                    __m128i x = _mm_xor_si128(_mm_loadu_si128((const __m128i*)(ptr + pixel[k])), delta);
                    m0 = _mm_cmpgt_epi8(x, v0);
                    m1 = _mm_cmpgt_epi8(v1, x);

                    c0 = _mm_and_si128(_mm_sub_epi8(c0, m0), m0);
                    c1 = _mm_and_si128(_mm_sub_epi8(c1, m1), m1);

                    max0 = _mm_max_epu8(max0, c0);
                    max1 = _mm_max_epu8(max1, c1);
                }

                max0 = _mm_max_epu8(max0, max1);
                int m = _mm_movemask_epi8(_mm_cmpgt_epi8(max0, K16));

                for( k = 0; m > 0 && k < 16; k++, m >>= 1 )
                    if(m & 1)
                    {
                        cornerpos[ncorners++] = j+k;
                        if(nonmax_suppression)
                            curr[j+k] = (uchar)cornerScore<patternSize>(ptr+k, pixel, threshold);
                    }
            }
            }
    #endif
            for( ; j < img.cols - 3; j++, ptr++ )
            {
                //目前像素的灰階值
                int v = ptr[0];
                //由目前像素的灰階值，确定其在門檻值清單中的位置
                const uchar* tab = &threshold_tab[0] - v + 255;
                //pixel[0]表示圓周上編号為0的像素相對于圓心坐标的偏移量
                //ptr[pixel[0]表示圓周上編号為0的像素值
                //tab[ptr[pixel[0]]]表示相對于目前像素（即圓心）圓周上編号為0的像素值在門檻值清單threshold_tab中所查詢得到的值，如果為1，說明I0 < Ip - t，如果為2，說明I0 > Ip + t，如果為0，說明 Ip – t < I0 < Ip + t。是以通過tab，就可以得到目前像素是否滿足角點條件。
                //編号為0和8（即直徑在圓周上的兩個像素點）在清單中的值相或後得到d。d=0說明編号為0和8的值都是0；d=1說明編号為0和8的值至少有一個為1，而另一個不能為2；d=2說明編号為0和8的值至少有一個為2，而另一個不能為1；d=3說明編号為0和8的值有一個為1，另一個為2。隻可能有這四種情況。
                int d = tab[ptr[pixel[0]]] | tab[ptr[pixel[8]]];
                //d=0說明圓周上不可能有連續12個像素滿足角點條件，是以目前值一定不是角點，是以退出此次循環，進入下一次循環
                if( d == 0 )
                    continue;
                //繼續進行其他直徑上兩個像素點的判斷
                d &= tab[ptr[pixel[2]]] | tab[ptr[pixel[10]]];
                d &= tab[ptr[pixel[4]]] | tab[ptr[pixel[12]]];
                d &= tab[ptr[pixel[6]]] | tab[ptr[pixel[14]]];
                //d=0說明上述d中至少有一個d為0，是以肯定不是角點；另一種情況是一個d為2，而另一個d為1，相與後也為0，這說明一個是滿足角點條件1，而另一個滿足角點條件2，是以肯定也不會有連續12個像素滿足同一個角點條件的，是以也一定不是角點。
                if( d == 0 )
                    continue;
                //繼續判斷圓周上剩餘的像素點
                d &= tab[ptr[pixel[1]]] | tab[ptr[pixel[9]]];
                d &= tab[ptr[pixel[3]]] | tab[ptr[pixel[11]]];
                d &= tab[ptr[pixel[5]]] | tab[ptr[pixel[13]]];
                d &= tab[ptr[pixel[7]]] | tab[ptr[pixel[15]]];
                //如果滿足if條件，則說明有可能滿足角點條件2
                if( d & 1 )
                {
                    //vt為真正的角點條件，即Ip – t，count為連續像素的計數值
                    int vt = v - threshold, count = 0;
                    //周遊整個圓周
                    for( k = 0; k < N; k++ )
                    {
                        int x = ptr[pixel[k]];    //提取出圓周上的像素值
                        if(x < vt)    //如果滿足條件2
                        {
                            //連續計數，并判斷是否大于K（K為圓周像素的一半）
                            if( ++count > K )
                            {
                                //進入該if語句，說明已經得到一個角點
                                //儲存該點的位置，并把目前行的角點數加1
                                cornerpos[ncorners++] = j;
                                 //進行非極大值抑制的第一步，計算得分函數
                                if(nonmax_suppression)   
                                    curr[j] = (uchar)cornerScore<patternSize>(ptr, pixel, threshold);
                                break;    //退出循環
                            }
                        }
                        else
                            count = 0;    //連續像素的計數值清零
                    }
                }
                //如果滿足if條件，則說明有可能滿足角點條件1
                if( d & 2 )
                {
                    //vt為真正的角點條件，即Ip + t，count為連續像素的計數值
                    int vt = v + threshold, count = 0;
                    //周遊整個圓周
                    for( k = 0; k < N; k++ )
                    {
                        int x = ptr[pixel[k]];    //提取出圓周上的像素值
                        if(x > vt)    //如果滿足條件1
                        {
                            //連續計數，并判斷是否大于K（K為圓周像素的一半）
                            if( ++count > K )
                            {
                                //進入該if語句，說明已經得到一個角點
                                //儲存該點的位置，并把目前行的角點數加1
                                cornerpos[ncorners++] = j;
                                 //進行非極大值抑制的第一步，計算得分函數
                                if(nonmax_suppression)
                                    curr[j] = (uchar)cornerScore<patternSize>(ptr, pixel, threshold);
                                break;    //退出循環
                            }
                        }
                        else
                            count = 0;    //連續像素的計數值清零
                    }
                }
            }
        }
        //儲存目前行所檢測到的角點數
        cornerpos[-1] = ncorners;
        //i=3說明隻僅僅計算了一行的資料，還不能進行非極大值抑制的第二步，是以不進行下面代碼的操作，直接進入下一次循環
        if( i == 3 )
            continue;
        //以下代碼是進行非極大值抑制的第二步，即在3×3的角點鄰域内對得分函數的值進行非極大值抑制。因為經過上面代碼的計算，已經得到了目前行的資料，是以可以進行上一行的非極大值抑制。是以下面的代碼進行的是上一行的非極大值抑制。
        //提取出上一行和上兩行的圖像像素
        const uchar* prev = buf[(i - 4 + 3)%3];
        const uchar* pprev = buf[(i - 5 + 3)%3];
        //提取出上一行所檢測到的角點位置
        cornerpos = cpbuf[(i - 4 + 3)%3];
        //提取出上一行的角點數
        ncorners = cornerpos[-1];
        //在上一行内周遊整個檢測到的角點
        for( k = 0; k < ncorners; k++ )
        {
            j = cornerpos[k];    //得到角點的位置
            int score = prev[j];    //得到該角點的得分函數值
            //在3×3的角點鄰域内，計算目前角點是否為最大值，如果是則壓入特性值向量中
            if( !nonmax_suppression ||
               (score > prev[j+1] && score > prev[j-1] &&
                score > pprev[j-1] && score > pprev[j] && score > pprev[j+1] &&
                score > curr[j-1] && score > curr[j] && score > curr[j+1]) )
            {
                keypoints.push_back(KeyPoint((float)j, (float)(i-1), 7.f, -1, (float)score));
            }
        }
    }
}      

在該函數内，對門檻值清單了解起來可能有一定的難度，下面我們舉一個具體的例子來進行講解。設我們選取的門檻值threshold為30，則根據

for( i = -255; i <= 255; i++ )

       threshold_tab[i+255] = (uchar)(i < -threshold ? 1 : i > threshold? 2 : 0);

我們可以從-255到255一共分為3段：-255～-30，-30～30，30～255。由于數組的序号不能小于0，是以在給threshold_tab數組指派上，序号要加上255，這樣區間就變為：0～225，225～285，285～510，而這三個區間對應的值分别為1，0和2。設我們目前像素值為40，則根據

const uchar* tab = &threshold_tab[0] -v + 255;

tab的指針指向threshold_tab[215]處，因為255-40=215。這樣在圓周像素與目前像素進行比較時，使用的是threshold_tab[215]以後的值。例如圓周上編号為0的像素值為5，則該值在門檻值清單中的位置是threshold_tab[215 + 5]，是threshold_tab[220]。它在門檻值清單中的第一段，即threshold_tab[220] = 1，說明編号為0的像素滿足角點條件2。我們來驗證一下：5 < 40 – 30，确實滿足條件2；如果圓周上編号為1的像素值為80，則該值在門檻值清單中的位置是threshold_tab[295]（即215 + 80 = 295），而它在門檻值清單中的第三段，即threshold_tab[295] = 2，是以它滿足角點條件1，即80 > 40 + 30；而如果圓周上編号為2的像素值為45，則threshold_tab[260] = 0，它不滿足角點條件，即40 – 30 < 45 < 40 + 30。

三、opencv函數解析

1、測試函數

void main()   {       Mat src;       src = imread("D:/Demo.jpg");       // vector of keyPoints       std::vector<KeyPoint> keyPoints;       // construction of the fast feature detector object       FastFeatureDetector fast(40);   // 檢測的門檻值為40       // feature point detection  
    fast.detect(src,keyPoints);       drawKeypoints(src, keyPoints, src, Scalar::all(-1), DrawMatchesFlags::DRAW_OVER_OUTIMG);       imshow("FAST feature", src);       cvWaitKey(0);   }      

2、函數解釋

在OpenCV中，當patternSize為16時，用以下數組表示這16個點相對于圓心的坐标：

  static const int offsets16[][2] =

    {

        {0,  3}, { 1,  3}, { 2,  2}, { 3,  1}, { 3, 0}, { 3, -1}, { 2, -2}, { 1, -3},

        {0, -3}, {-1, -3}, {-2, -2}, {-3, -1}, {-3, 0}, {-3,  1}, {-2,  2}, {-1,  3}

    };

    OpenCV用函數來計算圓周上的點相對于圓心坐标在原圖像中的位置：

void makeOffsets(int pixel[25], int rowStride, int patternSize)
{
    //分别定義三個數組，用于表示patternSize為16，12和8時，圓周像素對于圓心的相對坐标位置
    static const int offsets16[][2] =
    {
        {0,  3}, { 1,  3}, { 2,  2}, { 3,  1}, { 3, 0}, { 3, -1}, { 2, -2}, { 1, -3},
        {0, -3}, {-1, -3}, {-2, -2}, {-3, -1}, {-3, 0}, {-3,  1}, {-2,  2}, {-1,  3}
    };

    static const int offsets12[][2] =
    {
        {0,  2}, { 1,  2}, { 2,  1}, { 2, 0}, { 2, -1}, { 1, -2},
        {0, -2}, {-1, -2}, {-2, -1}, {-2, 0}, {-2,  1}, {-1,  2}
    };

    static const int offsets8[][2] =
    {
        {0,  1}, { 1,  1}, { 1, 0}, { 1, -1},
        {0, -1}, {-1, -1}, {-1, 0}, {-1,  1}
    };
    //根據patternSize值，得到具體應用上面定義的哪個數組
    const int (*offsets)[2] = patternSize == 16 ? offsets16 :
                              patternSize == 12 ? offsets12 :
                              patternSize == 8  ? offsets8  : 0;

    CV_Assert(pixel && offsets);

    int k = 0;
    //代入輸入圖像每行的像素個數，得到圓周像素的絕對坐标位置
    for( ; k < patternSize; k++ )
        pixel[k] = offsets[k][0] + offsets[k][1] * rowStride;
    //由于要計算連續的像素，是以要循環的多列出一些值
    for( ; k < 25; k++ )
        pixel[k] = pixel[k - patternSize];
}      

template<>
int cornerScore<16>(const uchar* ptr, const int pixel[], int threshold)
{
    const int K = 8, N = K*3 + 1;
    //v為目前像素值
    int k, v = ptr[0];
    short d[N];
    //計算目前像素值與其圓周像素值之間的內插補點
    for( k = 0; k < N; k++ )
        d[k] = (short)(v - ptr[pixel[k]]);

#if CV_SSE2
    __m128i q0 = _mm_set1_epi16(-1000), q1 = _mm_set1_epi16(1000);
    for( k = 0; k < 16; k += 8 )
    {
        __m128i v0 = _mm_loadu_si128((__m128i*)(d+k+1));
        __m128i v1 = _mm_loadu_si128((__m128i*)(d+k+2));
        __m128i a = _mm_min_epi16(v0, v1);
        __m128i b = _mm_max_epi16(v0, v1);
        v0 = _mm_loadu_si128((__m128i*)(d+k+3));
        a = _mm_min_epi16(a, v0);
        b = _mm_max_epi16(b, v0);
        v0 = _mm_loadu_si128((__m128i*)(d+k+4));
        a = _mm_min_epi16(a, v0);
        b = _mm_max_epi16(b, v0);
        v0 = _mm_loadu_si128((__m128i*)(d+k+5));
        a = _mm_min_epi16(a, v0);
        b = _mm_max_epi16(b, v0);
        v0 = _mm_loadu_si128((__m128i*)(d+k+6));
        a = _mm_min_epi16(a, v0);
        b = _mm_max_epi16(b, v0);
        v0 = _mm_loadu_si128((__m128i*)(d+k+7));
        a = _mm_min_epi16(a, v0);
        b = _mm_max_epi16(b, v0);
        v0 = _mm_loadu_si128((__m128i*)(d+k+8));
        a = _mm_min_epi16(a, v0);
        b = _mm_max_epi16(b, v0);
        v0 = _mm_loadu_si128((__m128i*)(d+k));
        q0 = _mm_max_epi16(q0, _mm_min_epi16(a, v0));
        q1 = _mm_min_epi16(q1, _mm_max_epi16(b, v0));
        v0 = _mm_loadu_si128((__m128i*)(d+k+9));
        q0 = _mm_max_epi16(q0, _mm_min_epi16(a, v0));
        q1 = _mm_min_epi16(q1, _mm_max_epi16(b, v0));
    }
    q0 = _mm_max_epi16(q0, _mm_sub_epi16(_mm_setzero_si128(), q1));
    q0 = _mm_max_epi16(q0, _mm_unpackhi_epi64(q0, q0));
    q0 = _mm_max_epi16(q0, _mm_srli_si128(q0, 4));
    q0 = _mm_max_epi16(q0, _mm_srli_si128(q0, 2));
    threshold = (short)_mm_cvtsi128_si32(q0) - 1;
#else
    //a0為門檻值
    int a0 = threshold;
    //滿足角點條件2時，更新門檻值
    for( k = 0; k < 16; k += 2 )
    {
        //a為d[k+1]，d[k+2]和d[k+3]中的最小值
        int a = std::min((int)d[k+1], (int)d[k+2]);
        a = std::min(a, (int)d[k+3]);
        //如果a小于門檻值，則進行下一次循環
        if( a <= a0 )
            continue;
        //更新門檻值
        //a為從d[k+1]到d[k+8]中的最小值
        a = std::min(a, (int)d[k+4]);
        a = std::min(a, (int)d[k+5]);
        a = std::min(a, (int)d[k+6]);
        a = std::min(a, (int)d[k+7]);
        a = std::min(a, (int)d[k+8]);
        //從d[k]到d[k+9]中的最小值與a0比較，哪個大，哪個作為新的門檻值
        a0 = std::max(a0, std::min(a, (int)d[k]));
        a0 = std::max(a0, std::min(a, (int)d[k+9]));
    }
    //滿足角點條件1時，更新門檻值
    int b0 = -a0;
    for( k = 0; k < 16; k += 2 )
    {
        int b = std::max((int)d[k+1], (int)d[k+2]);
        b = std::max(b, (int)d[k+3]);
        b = std::max(b, (int)d[k+4]);
        b = std::max(b, (int)d[k+5]);
        if( b >= b0 )
            continue;
        b = std::max(b, (int)d[k+6]);
        b = std::max(b, (int)d[k+7]);
        b = std::max(b, (int)d[k+8]);

        b0 = std::min(b0, std::max(b, (int)d[k]));
        b0 = std::min(b0, std::max(b, (int)d[k+9]));
    }

    threshold = -b0-1;
#endif

#if VERIFY_CORNERS
    testCorner(ptr, pixel, K, N, threshold);
#endif
    //更新後的門檻值作為輸出
    return threshold;
}