计算机视觉理论基础(三)
基于关键点的特征描述子
SIFT、SURF、ORB
局部特征:SIFT
基于尺度空间不变的特征描述
特点:具有良好的不变性、独特性好信息量丰富、多量性、计算比之前的快
计算步骤:
(1)在DoG尺度空间中获取极值点,即关键点:LoG尺度空间、DoG尺度空间
(2)对关键点处理:位置插值,获得精确的关键点;去除边缘点
(3)关键点的方向估计:找主方向为达到旋转不变性
(4)关键点描述子的生成:区域坐标旋转;计算采样区域的直方图
相关概念
尺度空间
使用不同 σ \sigma σ的LOG对图片进行滤波
使用LOG,则后续计算量极大,可以使用DOG代替LOG,用差分代替微分
高斯金字塔
高斯金字塔是在传统金字塔的基础上,对每层用不同的参数 σ \sigma σ做高斯模糊,是的每一层金字塔有多张高斯模糊图像
octave同一个尺度下参数不同的一组图片,每层从下到上越来越模糊,下面一层的倒数第三张通过隔点降采样得到上面一层最后一张。在小的上面找大特征,大的上面找大特征。
具体过程
(1)计算高斯差分DoG空间
不同octave乘 σ \sigma σ,相同尺度的图片用了不同的高斯核模糊后,相邻相减
在同一组内,不同层图像的尺寸是一样的,后一层图像的高斯平滑因子σ是前一层图像平滑因子的k倍;
在不同组内,后一组第一个图像是前一组倒数第三个图像的二分之一采样,图像大小是前一组的一半;
(2)获取DoG空间极值点
判断极值点:以 X X X为检测点,其周围的点,同层的8个点+上层9个点+下层9个点,与监测点相比较都大/都小,则是极值点
DoG空间极值点是关键点
圆半径 → \to →特征点尺度;圆心 → \to →特征点坐标
(3)特征点方向估计:
在尺度上计算梯度直方图:以特征点为中心,以