ORB点特征、LSD线特征、线特征参数化求导学习总结

最新推荐文章于 2023-04-07 16:44:24 发布

广州深情Yangy_Jiaojiao

最新推荐文章于 2023-04-07 16:44:24 发布

阅读量844

点赞数 1

文章标签：算法

本BLOG上原创文章未经本人许可，不得用于商业用途。转载请注明出处。

本文链接：https://blog.csdn.net/yangy_jiaojiao/article/details/127645107

版权

如何利用算子进行边缘提取（通过卷积，什么是卷积？）

计算机视觉中Canny算子详解_计算机秃头选手的博客-CSDN博客_canny算子

LSD线特征提取参考博客

SLAM中线特征的参数化和求导

矩阵奇异值与矩阵范数之间有什么联系？

我们要知道三维空间中的点在图像中的位置，就需要提取特征与特征匹配了。

1 ORB特征点

提取步骤：1.检测特征点 2.计算描述子 3.特征匹配

1.检测特征点

　　ORB用到的检测特征点的方法是Oriented FAST算法，最大的特点就是快！

　　算法原理：

①遍历图像，找到所有的角点。

②例如只拿到一个角点p，设其像素灰度值为I，取这个角点以三为半径的圆上的所有像素点，能取到16个，

③然后设定一个阈值t，如果连续n个像素点的灰度值都大于I+t或者都小于I-t。我们则认为其为特征点。

④接着计算方向：特征点与重心的角度。

2.计算描述子

　描述子我们可以理解为在每一个特征点旁边有一个向量，或者说也可以理解为数组，记录着特征点周围的信息。这里用的事BRIEF描述子。BRIEF描述子是一个二进制描述子，就是在特征点周围随机取128对点对或者是256对点对p和q，若p大于q，则记为1，否则记为0。这就组成了一个128个数的[0,1,1,0.....]序列。

3.特征匹配

　　此时我们得到了所有的特征点和描述子。此时进行暴力匹配，对图1中的每一个特征点分别和图像2中的特征点的描述子比较，我们用Hamming距离来度量两个描述子的相似程度，如果Hamming距离小于两倍的最小距离则认为匹配正确，否则认为匹配错误。

#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/highgui/highgui.hpp>

using namespace std;
using namespace cv;

int main ( int argc, char** argv )
{
    if ( argc != 3 )
    {
        cout<<"usage: feature_extraction img1 img2"<<endl;
        return 1;
    }
    //-- 读取图像
    Mat img_1 = imread ( argv[1], CV_LOAD_IMAGE_COLOR );
    Mat img_2 = imread ( argv[2], CV_LOAD_IMAGE_COLOR );

    //-- 初始化
    std::vector<KeyPoint> keypoints_1, keypoints_2;
    Mat descriptors_1, descriptors_2;
    Ptr<FeatureDetector> detector = ORB::create();
    Ptr<DescriptorExtractor> descriptor = ORB::create();
    Ptr<DescriptorMatcher> matcher  = DescriptorMatcher::create ( "BruteForce-Hamming" );

    //-- 第一步:检测 Oriented FAST 角点位置
    detector->detect ( img_1,keypoints_1 );
    detector->detect ( img_2,keypoints_2 );

    //-- 第二步:根据角点位置计算 BRIEF 描述子
    descriptor->compute ( img_1, keypoints_1, descriptors_1 );
    descriptor->compute ( img_2, keypoints_2, descriptors_2 );

    Mat outimg1;
    drawKeypoints( img_1, keypoints_1, outimg1, Scalar::all(-1), DrawMatchesFlags::DEFAULT );
    imshow("ORB特征点",outimg1);

    //-- 第三步:对两幅图像中的BRIEF描述子进行匹配，使用 Hamming 距离
    vector<DMatch> matches;//matches存储特征点信息
    matcher->match ( descriptors_1, descriptors_2, matches );

    //-- 第四步:匹配点对筛选
    double min_dist=10000, max_dist=0;

    //找出所有匹配之间的最小距离和最大距离, 即是最相似的和最不相似的两组点之间的距离
    for ( int i = 0; i < descriptors_1.rows; i++ )
    {
        double dist = matches[i].distance;
        if ( dist < min_dist ) min_dist = dist;
        if ( dist > max_dist ) max_dist = dist;
    }

    printf ( "-- Max dist : %f \n", max_dist );
    printf ( "-- Min dist : %f \n", min_dist );

    //当描述子之间的距离大于两倍的最小距离时,即认为匹配有误.但有时候最小距离会非常小,设置一个经验值30作为下限.
    std::vector< DMatch > good_matches;
    for ( int i = 0; i < descriptors_1.rows; i++ )
    {
        if ( matches[i].distance <= max ( 2*min_dist, 30.0 ) )
        {
            good_matches.push_back ( matches[i] );
        }
    }

    //-- 第五步:绘制匹配结果
    Mat img_match;
    Mat img_goodmatch;
    drawMatches ( img_1, keypoints_1, img_2, keypoints_2, matches, img_match );
    drawMatches ( img_1, keypoints_1, img_2, keypoints_2, good_matches, img_goodmatch );
    imshow ( "所有匹配点对", img_match );
    imshow ( "优化后匹配点对", img_goodmatch );
    waitKey(0);

    return 0;
}

LSD特征线

什么是图像的线特征

①影像的边缘或线认为是图像的线特征；
②“边缘”可定义为影像局部区域特征不相同的那些区域间的分界线，
③而“线”则可以认为是具有很小宽度的其中间区域具有相同的影像特征的边缘对

线特征提取的应用
1.房屋提取
2.道路提取

什么是梯度算子（也叫一阶差分算子）

g(x,y)为图像某点处的灰度值；梯度算子即为对x，y方向求偏导数（如何对数字影像求导数请参见该文章前些部分的介绍影像的导数

在这里插入图片描述

如何利用算子进行边缘提取（通过卷积，什么是卷积？）

以sobel算子为例学习一下如何进行卷积

三种一阶差分算子

1. Roberts算子

在这里插入图片描述

2.Sobel算子

计算中心像素八领域像素灰度的加权差，四领域赋予更大的权值。

在这里插入图片描述

3.Prewitt算子

与Sobel算子模板类似

在这里插入图片描述

二阶差分算子

在这里插入图片描述

1.拉普拉斯算子(Laplace)

在数学以及物理中，拉普拉斯算子或是拉普拉斯算符（英语：Laplace operator, Laplacian）是由欧几里得空间中的一个函数的梯度的散度给出的微分算子，通常写成 $\Delta$ 、

编辑

2.高斯-拉普拉斯算子（LOG)

LoG算子也就是 Laplace of Gaussian function(高斯拉普拉斯函数)。常用于数字图像的边缘提取和二值化。LOG 算子源于D.Marr计算视觉理论中提出的边缘提取思想, 即首先对原始图像进行最佳平滑处理, 最大程度地抑制噪声, 再对平滑后的图像求取边缘。

常用的LoG算子是5×5的模板，高斯拉普拉斯函数：

3.Canny算子

通常情况下边缘检测的目的是在保留原有图像属性的情况下，显著减少图像的数据规模。有多种算法可以进行边缘检测，虽然Canny算法年代久远，但可以说它是边缘检测的一种标准算法，而且仍在研究中广泛使用。

Canny的实现步骤

①应用高斯滤波来平滑图像，目的是去除噪声
②找寻图像的强度梯度（intensity gradients）
③应用非最大抑制（non-maximum suppression）技术来消除边误检（本来不是但检测出来是）
④应用双阈值的方法来决定可能的（潜在的）边界
⑤利用滞后技术来跟踪边界

计算机视觉中Canny算子详解_计算机秃头选手的博客-CSDN博客_canny算子

LSD线特征提取参考博客

论文笔记-LSD: a Line Segment Detector线特征提取_wrotcat的博客-CSDN博客_lsd线特征提取

SLAM中线特征的参数化和求导

众所周知，线特征比点特征可以提供更多的约束条件，并且在某些场合下比点特征要鲁棒。但是如果我们想要把线特征加入到SLAM系统中面临的是参数化和优化求导。

下面我们就来详细介绍一下空间直线的两种参数化方法：①Plücker参数化方法，②直线正交表示方法。为什么需要两种参数化方法呢？因为空间中的直线有4个自由度，而Plücker参数化方法需要使用6个参数表示直线，这样就会导致过参数化，过参数化在优化的时候就需要采用带约束的优化，不太方便。于是引入了可以用4个参数更新直线的正交表示来方便优化。这两种参数化方法可以很方便的相互转换，所以我们可以在SLAM系统中同时使用这两种参数化形式，在初始化和进行空间变换的时候使用Plücker坐标，在优化的时候使用正交表示。下面我们就来详细了解这两种参数化方法和优化的雅克比求导。

1、Plücker参数化方法

普吕克坐标法线特征参数化详见SLAM中线特征的参数化和求导 - 知乎