计算机视觉大型攻略 —— 特征与匹配（2）特征的变与不变

最新推荐文章于 2021-12-25 23:20:42 发布

linusyue

最新推荐文章于 2021-12-25 23:20:42 发布

阅读量1.5k

收藏 15

点赞数 5

分类专栏：特征与跟踪文章标签：特征匹配 Harris laplacian harris 尺度不变 Scale invariant

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/plateros/article/details/103181696

版权

特征与跟踪专栏收录该内容

5 篇文章 13 订阅

订阅专栏

上一篇文章写了Harris角点。这篇文章以Harris角点为基础，进一步分析角点特征。讨论特征不变性，或者说可重复性。

本文参考书籍：Computer Vision: Algorithms and Applications， Richard Szeliski

所谓的变与不变，指的是同一特征，如果图像的光强发生了变化，或者对其进行仿射变换，该特征是否还能保持稳定(不变)。只有稳定(不变)的特征才能在不同的图像中对其做匹配。

参考文献

[1] Obstacle Avoidance and Navigation in the Real World by aSeeing Robot Rover

[2] A COMBINED CORNER AND EDGE DETECTOR

[3] Evaluation of Interest Point Detectors

[4] Indexing based on scale invariant interest points

[5] Distinctive Image Features from Scale-Invariant Keypoints

[6] Feature Detection with Automatic Scale Selection

常见图像变换

特征检测和匹配算法需要特征满足至少两个特点：可区分性，可重复性。关于特征的可区分性，独特性在Harris角点一文中做了说明。这一章重点讨论特征的可重复性。以上图为例，左图与右图的光强发生了明显变化，右图跟角度有一定角度程度上的旋转。特征匹配算法要求在这种情况下，角点的位置仍然保持稳定，角点的特征仍然能够被检测到。

常见的图像变换包括仿射变换和光强变化。

光强变化

旋转平移

缩放

剪切

Harris角点特性

从Harris角点看图像变换对特征的影响。

光强变化

假设光强变化是一种仿射变换，即

Harris角点使用了梯度， $I_{x}^{'}=aI_{x}$ , $I_{y}^{'}=aI_{y}$ 。平移量b没有影响，但缩放量a会影响到梯度。

如上图，对比度不受影响，但是绝对值由于a变化的发生了变化。考虑到Harris角点算法使用了一个门槛过滤角点，因此会影响到Harris特征。所以说，Harris特征受到部分光强变化的影响。

平移

由于Harris角点仅使用了梯度，M矩阵均由梯度构成，因此，Harris角点具有平移不变性。

旋转

Harris角点M可以看做一个二次型。

$\begin{bmatrix} u &v \end{bmatrix} M \begin{bmatrix} u\\v \end{bmatrix} = const$

其中一个切面可以看做一个椭圆，

$\lambda _{1}, \lambda _{2}$ 代表了长轴和短轴，R是旋转量。旋转变换可以看做该椭圆保持长短轴不变的旋转变化。如下图，

C只和 $\lambda _{1}, \lambda _{2}$ 有关，因此，Harris角点具有旋转不变性。更加准确的来说，应该是采用了高斯窗口的Harris角点才具备旋转不变性。

传送门：Harris角点

缩放

通常角点需要两个以上方向的梯度有明显变化，然而如上图，经过放大后，如果采用同样的窗口寻找角点，原来被认为Corner的区域，会被误认成很多Edge区域。Harris角点算法没有对这种情况做特殊处理，因此，不具备尺度不变性。

剪切变换(Shearing)

如上文所说，Harris角点算法的M可以看做一个椭圆，剪切变换会改变特征值 $\lambda _{1}, \lambda _{2}$ 。因此不具备剪切变换不变性。

尺度不变性算法

早期的[2]Harris88并不具备尺度不变性，后续又提出了很多改善尺度不变性的算法。

问题定义

解决尺度问题，就是要解决上图所描述的问题，

如何在两张图中分别找到合适的窗口大小。
如何定义响应函数f，使之作用在不同的窗口后，获得相同的值。

尺度选择算法—Auto scale selection

首先解决窗口大小的问题。[6]提出了Auto Scale Selection算法。如上图所示，为像素点定义不同大小的窗口，并且通过f计算出Response。

在不同的图片上，都可以找到响应(Response)的极值点。该极值点对应的窗口，即为最合适的窗口。再归一到同一个固定的尺寸。

通常在算法实现时，并不会采用不同的窗口大小计算响应。而是采用同样大小的窗口，在图像高斯金字塔上计算。

接下来需要讨论响应函数f了。这个f需要在不同的窗口，确切的说要在不同的金字塔Scale上返回同样的值。即与Scale大小无关。

如下图所示，

其次，f还应该有一个稳定且容易找到的极值，如下图，

Laplacian of Gaussian(LoG)

[6]采用了Laplace-Gaussian算子, 将不同Scale的图像，归一化到同样大小。通过求局部极值，选取角点。由于LoG算子本身具有旋转不变性。所以LoG满足旋转和尺度不变性。

$LoG=\sigma ^{2}(G_{xx}(x,y,\sigma)+G_{yy}(x,y,\sigma))$

LoG先对图像做高斯滤波，再分别对x, y求偏导，最后将两个偏导数相加。不过通常在具体实现的时候，只需要卷积一个2-D LoG模板即可一步完成。

Difference of Gaussian(DoG)

类似的，[5]SIFT采用DoG算子，求局部极值，获得角点。DoG算子获取不同标准差下的高斯变换的差。

$DoG=G(x,y,k\sigma)-G(x,y,\sigma)$

DoG无需计算导数，只需要计算高斯金字塔，是对LoG的一种近似。

Harris-Laplace

上面两种算法均与Harris无关。[4]在原始Harris算法的基础上，引入Harris-Laplace算法，使其具备尺度不变性。该算法首先在每一个Scale上计算Harris角点，然后通过LoG算子选择Scale。

仿射不变性算法

这一块过去接触的不多，只能大体写一写。

解决仿射不变性，首先需要选一个初始点P，P是局部光强的极值点。从P开始，沿射线方向扫描。同时定义函数f。当f到达极值值时，扫描结束。如此定义的区域，特征具有仿射不变性。该区域可以看做前面几种方法的高斯窗口。

如上图，如此定义的区域，可以使用椭圆形代表这个区域。

算法步骤

寻找局部光强极值点。
以该点作为起点，沿射线方向扫描，直到f到达极值。
将这些点连接，形成区域边界。
计算二阶几何矩，得到近似椭圆。
使用该椭圆表示这块区域。

这一类算法典型的就是MSER(Maximally Stable Extremal Regions.

linusyue

关注

5
点赞
踩
15

收藏

觉得还不错? 一键收藏
0
评论
计算机视觉大型攻略 —— 特征与匹配（2）特征的变与不变

上一篇文章写了Harris角点。这篇文章以Harris角点为基础，进一步分析角点特征。讨论特征不变性，或者说可重复性。本文参考书籍：Computer Vision: Algorithms and Applications，Richard Szeliski所谓的变与不变，指的是同一特征，如果图像的光强发生了变化，或者对其进行仿射变换，该特征是否还能保持稳定(不变)。只有稳定(不变)的特征...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值