SIFT特征
尺度不变性
https://blog.csdn.net/weixin_43843780/article/details/88615205
拉普拉斯相应(Blob)的特性:
对于拍照角度变换的处理方式:
先计算每个点的梯度值,再计算M,从而得到特征值。判断λ1和λ2是否相等,否则压缩小的那个方向,再计算M值,直到λ1等于λ2
旋转问题?
找到梯度变换最大的梯度方向,如何转到0度(θ度)
光照问题?
描述符提取:划分4x4格子,做梯度直方图(量化角度:0~180)(因为梯度变化不大),再比较像素中的梯度直方图
提取特征与数据库的特征相比较,计算是否匹配(梯度直方图比较)
通过比较第一近邻和第二近邻的值来确定是否匹配成功(相差大则承认匹配成功)
纹理Texture
作用:
如何区别纹理?
纹理表达方法:
用高斯偏导核计算出x(上)和y轴(下)方向的图,得到xy方向的梯度变换,再统计他们的value
d/dy 表示的是y方向的梯度变化,显示出来就是x方向的边,d/dx同理
再用k-means进行聚类
窗的尺度
卷积核的选择:
多维高斯:55非0表示xy轴相关,(旋转)
卷积完后每个像素点有48维的响应(response)
每个Filter对图像进行卷积后,求均值
不一定要用均值:可以对每个点都进行描述
这些卷积核在神经网络里是自学的(最后得到1024维)