1、局部特征(Local Feature)VS全局特征(Global Feature)
局部特征: 能够稳定出点并且具有良好可分性的一些点。
全局特征: 方差、颜色直方图。
Figure1.1
如图1.1所示,左边一列是完整图像,中间一列是一些边缘的角点(局部特征),右边一列是去除角点的线段。根据边缘的角点可以估测出完整图像。这就是我们讨论的局部特征的优势。
- 局部特征可以在恢复完整图像前提下,减少计算量。
- 局部特征可以在完整图像被遮挡的情况下,根据未遮挡的点来还原重要信息。
2、局部特征的提取
为了更加明确局部特征,我们在图2中选取了3个部分:
- 边缘的点:很容易判断。
- 边缘的线:一条线往左往右看都差不多
- 变化缓慢的天空:那么多天空,好多都一样
Figure2.1
如果将以上三个部分作为图片的三个特征,很明显“边缘的点”是最具特色的特征(左图中选取的特征,在右图中最容易找到的)。
局部特征最早期的研究就是从角点开始的。(例:Harris Corner)
3、总结
总结,好的特征值应该具有以下几个特点:
1. 重复性:不同图片相同区域应该能被重复检测到,不受光照和旋转的影响。
2. 可区分性:不同的检测子,应该可以被区分出来,而为了区分他们,应运而生的就是与检测子对应的描述子了。
3. 数量适宜:检测子数量不能太多,也不能太少。
4. 高定位(尺度和位置):在哪出现的最好在哪找到,可别跑偏了。
5. 有效性:检测速度越快越好。