图像处理4课件.ppt

* * 图像处理（4） -Feature descriptor comparison 胡建颖 *局部特征提取应该起源于运动分析的跟踪算法 *Hannah和Movarac提出了关于角点的最原始的算法。 *Forstner和Gulch, Harris和Stephens把这个原始想法形式化为结构张量(或称二阶矩矩阵)的两个特征值的性质问题， *Noble，Rohr，Tomasi和 Kanade，Shi和Kanada等提出了各种不同的角点检测子，都是对结构张量两个不同的特征值的不同组合。 *Triggs和Kenney等提出了广义角点度量。 *Kenney2005年提出了一个角点的公理化方法。早期的角点匹配主要用于运动跟踪和小的视角匹配。因为角点并未附加图像的灰度信息，图像的匹配是纯粹的几何坐标匹配，通过坐标约束来剔出错误的匹配。这种方法不适合于大的视角匹配， *张正友提出把兴趣点附近的图像区域挖出来进行相关匹配，这应该就是局部特征描述子的最初来源。直接对图像块的相关匹配不能解决图像的旋转变化，尺度伸缩，更别提仿射变换了， *Schmid提出微分不变量来描述局部图像的信息，以解决旋转不变性的问题 *Lowe基于Lindeberg的理论解决了尺度不变性的问题。Lowe的一个主要贡献是提出了SIFT描述子，这个描述子具有很好的性能。 *Mikolajczyk和Schmid又基于Lindeberg的理论实现了仿射不变性的问题。 描述子的发展过程 一是基于“绝对”值的，二是基于比较的。 基于绝对值的是指诸如Sift，Surf，GLOH之类的描述子。一般的思路是将灰度，梯度等量化，构造直方图。这类描述子的判别性高，直观，但是有个通病就是计算复杂度高。 基于比较的是指诸如Ferns，BRIEF，Orb，OSID，BRISK之类的描述子。一般的思路是通过比较预先训练的，或者随机点对的特征值大小，来构造描述子。这类描述子一般都是为了提高计算速度而设计的。这类描述子不关心原始特征的绝对大小，只关心原始特征的ranking。（值得一提的是为什么将Ferns也归在此类，Ferns并没有一个显式的特征描述，甚至没有一个距离度量，但是我相信Ferns之所以有用还是基于pairwise pixel comparisons 的判别能力。 根据如此的分类法，一个很自然的问题是，基于绝对值的，和基于比较的描述子孰优孰劣？ 这基本上没个定论，从追求高判别性（高precision和recall），就要使用基于值的描述子，追求计算速度，就要使用基于比较的的描述子。 但是这么说肯定很多人不同意，比如：Feng Tang在OSID 【cvpr09】中声称基于绝对值的描述子只对线性的光照变化就有不变性，但是基于比较的，拥有对更广泛的单调光照变化具有不变性，而不严格要求线性变化。 而且一个明显的趋势就是，这些年来，第二类的描述子（基于比较的）是越来越多了，而且大有性能超越第一类的趋势（起码从文章上看如此。）。 至于以后的发展，就让我们拭目以待吧。 局部特征描述子分类: SUSAN 特征的Moravec算子 Harris算子 Forstner SIFT算子 SUSAN算子是Smallest Univalue Segment Assimilating Nucleus的缩写，是美国牛津大学的M.Smith等人在1997年首先提出的一种基于灰度图像处理的方法。原理是利用度和曲率度量检测特征点，直接在图像灰度级上进行操作。 SUSAN算法的优点： (1)对特征点的检测比对边缘检测的效果要好，适用于基于特征点的图像匹配。 (2)不用求导，速度快，有一定的抗噪能力，噪声强度不大时，基本不受影响。 (3)提取的特征点分布均匀，对特征明显的图像提取能力强。 SUSAN算法的缺点也很明显： (1)没有对边缘检测的过滤。 (2)相似比较能力差且函数复杂，有时候存在误判。这是由于USAN设定的三种情况是理想情况，对图像和背景亮度的对比度的设定在实际情况中相差较远。 (3)图像中不同区域处目标与背景的对比程度不一样，取固定阈值不符合实际情况。 Moravec于1977年提出利用灰度方差提取点特征的Moravec算子，主要思想是利用提取“兴趣算子(IV Interest Value)”进行特征点提取。对像素点沿不同方向的灰度变化的方差进行计算，将方差的最小值当做该点的兴趣值，特征点的判断依据即兴趣值所设定的阈值。 根据实验分析，得出对Moravec特征提取算法的总结。 从第一幅图中可以看出Moravec是一