计算机视觉(图形拼接总结2)

前言

第二部分,有关于描述子的构建,似乎这个部分和上一个部分可以放在一起.....

正文

理论

首先,什么是描述子呢,描述子是从图像、音频、文本或其他数据中提取的一组数值特征，用于描述该数据的关键信息。在图像处理中，常常使用特征点检测算法（例如SIFT、SURF、ORB等）来检测图像中的关键点，然后计算这些关键点的描述子。这些描述子可以用于图像匹配、目标识别、图像检索等任务。在自然语言处理中，词嵌入（Word Embeddings）可以被视为描述文本数据的一种描述子，用于将单词映射到高维向量空间中。

总之我们总共也就讲了两种特征点,每种特征点都有对应的描述子,那么我们接下来就分成两种描述子算法来讲:

角点描述子

角点描述子求法常常是以角点 x 为中心开一个 s*s 的窗口 W，然后基于 W 覆盖的

图像区域构造特征描述子 d。s 的大小一般是用户预先设定的。

最"坏"的描述子是块(block)描述子，它把W覆盖的区域拉成一个列向量并单位化。

块描述子不仅不具备“尺度不变性”，还不具备“旋转不变性”.

这种描述子的算法是 先计算两张图像的各个描述子之间距离，方式有 SAD(L1 范数)，SSD(L2 范数)、 NNC(其实就是 1-pearson)。然后开始匹配，假设两张图像中的特征点描述子集合为 P,Q，

两个匹配上的特征点的描述子分别是pi,qj，则pi和qj应该满足： 1. dist(pi,qj)<threshold1， 大于阈值； 2. dist(pi,qj)<dist(pi, any qk in Q),dist(pi,qj)<dist(any pk in P,qj)。 3. dist(pi,qj)/seciond_lowest_dist(pi,qk)>threshold2，不能模棱两可。

SIFT描述子

以下是对该算法构造特征点描述子的详细流程介绍：

1. 特征点检测和特征尺度确定：
   首先，通过Harris角点检测等方法，检测出图像中的特征点。同时，确定每个特征点的特征尺度，这个尺度通常可以通过检测器算法得出，例如Harris角点检测器。

2. 邻域主方向的确定：
   在每个特征点周围的邻域范围内，计算所有像素点的梯度方向。然后，构建一个0到2π范围的梯度方向直方图，选择具有最大频率的角度作为邻域主方向。这一步骤确保了特征点描述子的旋转不变性。

3. 特征点描述子的构建：
   将特征点的邻域划分为一个4x4的网格，得到共16个小区域。在每个小区域内，计算像素的梯度方向，并构建一个长度为8的梯度方向直方图。因此，每个小区域的描述子是一个包含8个梯度方向的向量。将这些向量连接起来，形成一个长度为128的特征点描述子。(这里老师提问过)

4. 描述子的归一化：
   最后，为了解决光照不变性问题，对构建好的特征点描述子进行归一化处理。归一化可以确保描述子在不同光照条件下保持一致性，增加了匹配的准确性。

通过以上步骤，我们得到了具有尺度不变性、旋转不变性和光照不变性的特征点描述子，这些描述子通常用于图像匹配、目标识别等计算机视觉任务中。

结语

总之,这个部分到此结束啦