基于多图的三维重建—第一周(特征点的学习)
特征点的基本要求
差异性: 特征点应该呈现出区别于非特征点的明显特征。
重复性:对应同一三维点的特征点应该在不同视角中被重复检测到。
常见特征点及其特性
Harris:该角点计算简单,具有局部特性好,但是不具有尺度不变性。
补充:Harris角点的具体计算,可以通过求解Harris矩阵即可。该矩阵的最大最小特征值的绝对值代表变化最快和最慢的方向。
LOG:具有多尺度性质,效果好,计算量大。
补充:该方法所谓的多尺度是通过使用不同尺度的滤波核来达到的效果,然后使用拉普拉斯算子来量化特征点的评价值。通过添加归一化因子,使得不同尺度上得到的特征点评价值可以做比较。
SIFT:旋转不变性、 尺度不变性 、 亮度变化不变性 ,对视角变化、 仿射变换有一定程度的稳定性。
说明1:该算子是利用了LOG算子的一个近似,我们称之为DOG,来进行计算的。值得注意的是,DOG的D是一阶差分的意思,与LOG的区别在于L是拉普拉斯算子,反映了图像的二阶性质,基于这一点,可以进行更深层次的思考。
说明2:该算子比较巧妙的一点是使用了经典的金字塔方法,来使得他能够使用较小的滤波尺度(尺度越大,计算量越大),实现更大的尺度空间。
说明3:其旋转不变形是通过特征点周围其他点的变化方向来计算该点的变化主方向,然后区域做一个整体的旋转。以期达到当图像发生了旋转时,我们计算出来的特征点还是一样的,不会受图像旋转的影响。
说明4:由于该方法较为复杂,我们就不详细推导其公式了。
fast:速度快,但是不具有尺度不变性和旋转不变性。
ORB:改进的fast。通过图像金字塔和灰度质心法来解决fast上诉的两个缺点。
特征表述子
常见类型说明:基于灰度值、基于图像的梯度值、二进制描述子。
总结:选择描述子主要关注的性质主要是旋转性质、对光照的敏感程度、尺度变化的影响等。