注册 登录  
 加关注
查看详情
   显示下一条  |  关闭
温馨提示!由于新浪微博认证机制调整,您的新浪微博帐号绑定已过期,请重新绑定!立即重新绑定新浪微博》  |  关闭

ice1020502的博客

春天来了,冬天还会远吗?

 
 
 

日志

 
 

SIFT的扩展  

2008-04-09 17:46:34|  分类: 专业知识 |  标签: |举报 |字号 订阅

  下载LOFTER 我的照片书  |

【转】http://www.china-vision.net/blog/user1/218/archives/2007/1016.html

 

SIFT 后来有两种扩展,都用到PCA的概念。

1 PCA-SIFT

   PCA-SIFT与标准SIFT有相同的亚像素位置(sub-pixel ),尺度(scale)和主方向(dominant orientations),但在第4步计算描述子的时候,它用特征点周围的41×41的像斑计算它的主元,并用PCA-SIFT将原来的2×39×39维的向量降成20维,以达到更精确的表示方式。

▲创建PCA-SIFT描述子的步骤:

     1) 计算或者载入投影矩阵

      2)检测关键点

      3) 通过与投影矩阵相乘投影关键点周围的像斑

▲     PCA-SIFT 投影矩阵的产生

△      选择一系列有代表性的图像并且检测这些图像的所有关键点

△     对每一个关键点:

1〉   在它的周围选择一个大小为41×41象素的像斑

2〉  计算垂直和水平的梯度,形成一个大小为39×39×2=3042的矢量

3〉  将这些矢量放入一个k×3042大小的矩阵A,k是所检测的关键点数目。

4〉  计算矩阵A的协方差: A=A-mean A   cov A =ATA

5〉  计算cov A 的特征值和特征矢量

6〉  选择前n个特征向量,投影矩阵是一个由这些特征向量组成的n×3042的矩阵

7〉  n可以是一个根据经验设置的固定值,也可以基于特征值动态选择。

8〉  投影矩阵只计算一次,并且存储

▲     建立描述子

△     输入: 在尺度空间关键点的位置和方向

△     在关键点周围提取一个41×41的像斑于给定的尺度,旋转到它的主方向

△     计算39×39水平和垂直的梯度,形成一个大小为3042的矢量

△     用预先计算好的投影矩阵n×3042与此矢量相乘

△     这样生成一个大小为n的PCA-SIFT描述子

▲SIFT和PCA-SIFT的比较

△ SIFT:

    维数:128

缺点:维数高、不完全的仿射不变

优点:需要较少的经验主义知识,易于开发

△     PCA-SIFT:

维数:可变,推荐20或者更少

缺点:不完全的仿射不变;投影矩阵需要一系列有代表性的图像;这个矩阵只对这类图像起作用

优点:保留不变性的同时低维,大大减少了计算时间

2  GLOH (Gradient location-orientation histogram)

     把原来SIFT中4×4棋盘格的location bins 改成仿射状的同心圆的17 location bins 来表示,并计算其中的梯度方向直方图(梯度方向分为16种),因此共16×17=272维,之后再作PCA将其降成128维,因此保有跟SIFT一样精简的表示方法。

  评论这张
 
阅读(82)| 评论(0)
推荐 转载

历史上的今天

评论

<#--最新日志,群博日志--> <#--推荐日志--> <#--引用记录--> <#--博主推荐--> <#--随机阅读--> <#--首页推荐--> <#--历史上的今天--> <#--被推荐日志--> <#--上一篇,下一篇--> <#-- 热度 --> <#-- 网易新闻广告 --> <#--右边模块结构--> <#--评论模块结构--> <#--引用模块结构--> <#--博主发起的投票-->
 
 
 
 
 
 
 
 
 
 
 
 
 
 

页脚

网易公司版权所有 ©1997-2018