本文详细介绍了SPM（Spatial Pyramid Matching）的基本原理和计算方法。SPM通过空间信息和多尺度分块来增强图像表示，弥补了bag of visual words模型忽视位置信息的不足。在图像中，SPM采用层次金字塔结构对图像进行分块，统计每个子块的特征，形成完整的特征表示。计算方法类似于Pyramid Match Kernel，通过比较不同层次图像中特征出现的频率来评估匹配程度，适用于图像分类和场景识别。尽管SPM对图像旋转不敏感，但其空间分块可能导致目标分割不完整。
本文主要介绍：SPM（空间金字塔匹配）的基本原理和计算方法。
1 基本介绍
SPM 全称是Spatial Pyramid Matching，出现的背景是bag of visual words模型被大量地用在了图像表示（Image representation）中，但是BOVW模型完全缺失了特征点的位置信息。SPM考虑空间信息，将图像分成若干块(sub-regions)，分别统计每一子块的特征，最后将所有块的特征拼接起来，形成完整的特征，这就是SPM中的Spatial。在分块的细节上，采用了一种多尺度的分块方法，即分块的粒度越大越细(increasingly fine)，呈现出一种层次金字塔的结构，这就是SPM中的Pyramid
最低0.47元/天 解锁文章
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
