1.特征匹配必要性
高效的准确的匹配出两个不同视角的图像中的同一个物体,是CV的第一步。图像是以灰度矩阵的形式存在,但是利用灰度不能找出两幅图像中的相同物体,因为灰度值收到光照的影响,并且当图像视角发生变化后,同一个物体的灰度值也会跟着变化。所以就需要找到一种能够在相机进行移动或者旋转(即视角发生变化),仍然能够保持不变的特征,利用这些特征来找出不同视角的图像中的同一个物体。
图像的特征点分为两个部分:关键点和描述子。关键点指该特征点在图像中的位置,有些还有方向或者尺度信息;描述子是一个向量,按照人为设计的方式描述周围点周围像素的信息。
2.特征匹配的步骤:
1)提取图像的关键点
2)找关键点位置,计算关键点的描述子
3)根据描述子,进行图像匹配
3.描述子(即获得的向量)怎么得到相似性?
一般计算两个向量的欧氏距离和余弦相似度
1)欧式距离计算方法
将两个向量看成两个点,来计算两个点之间的距离,一般指位置上的差别,即距离;欧式距离能够体现个体数值特征的绝对差异,所以更多的用于需要从维度的数值大小中体现差异的分析,如使用用户行为指标分析用户价值的相似度或差异。主要在乎的是值。
2)余弦相似度
将两个向量看成两个向量,来计算两个向量之间的夹角,一般指方向上的差别,即夹角;余弦距离更多的是从方向上区分差异,而对绝对的数值不敏感,更多的用于使用用户对内容评分来区分兴趣的相似度和差异,同时修正了用户间可能存在的度量标准不统一的问题(因为余弦距离对绝对数值不敏感)。主要在乎的是方向。
3)都单位向量化后,再化简后就是:d=sqrt(2-2*cosα),其中cos为余弦相似度,d为欧氏距离。两者在归一化为单位向量的时候计算相似度结果完全一样。只不过余弦相似度是值越大越相似,欧式距离是值越小越相似。