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

 
 

局部算子  

2008-04-09 17:56:52|  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/user1/218/1471.html

 

1.局部算子分类:

1)基于分布的算子:使用直方图表现不同的外观或形状特

2)空间频率技术:傅立叶变换和盖伯变换

3)微分算子:

2.局部特征建立依赖的空间

1)归一化的Laplacian尺度空间

 2)  Difference of Gaussian

3. 局部区域检测算法

1)Harris points    旋转不变量 特征点周围41×41像素区域 大小固定

2)Harris-Laplace regions  旋转和尺度不变量  检测角点结构特征

3)Hessian-Laplace regions 旋转和尺度不变量  特征点是由Hessian 决定的空间极大值和Laplacian-of-Gaussian.尺度空间极大值,与DoG检测近似,但是在尺度空间能获得更高的准确度,并且在尺度选择上的准确度也高于Harris-Laplace 。检测的准确性影响算子的执行力。

4)Harris-Affine regions    仿射不变量  由Harris-Laplace 检测子检测位置和尺度,附近的仿射由基于二次动差矩阵的affine adaptation 程序决定

5)Hessian-Affine regions   仿射不变量  由Hessian-Laplace 检测子检测位置和尺度,附近的仿射由affine adaptation 程序决定

4. 局部区域描述子

1) SIFT描述子 是一个3D梯度位置方向直方图,位置被量化到4×4局部栅格,梯度角度分为8个方向,算子为4×4×8=128维

 2)Gradient location-orientation histogram (GLOH),GLOH是SIFT描述子的一种延伸,为了增强其鲁棒性和独立性。以对数极坐标在半径方向建立三个带(6,11,15)和8个角度方向,形成17个位置带,中心带在半径方向不分块。梯度方向量化为16个带,形成272维矢量,利用PCA降维

 3)Shape context 与SIFT描述子相似,但是基于边缘 Shape context是一个边缘点位置和方向的3D直方图,以对数极坐标在半径方向建立三个带(6,11,15)和4个角度方向,生成36维描述子

4)Geometric histogram 在一个区域内描述边缘分布直方图

4)PCA-SIFT 描述子 以特征点周围39×39像素块形成3024维矢量,用PCA降维36维

5)Spin image  是一个量化像素位置和强度的直方图 ,在5个圆环中计算10个强度带,生成50维算子

 6)Steerable filters and differential invariants  使用与高斯卷积后的导数

7)Complex filters

8) Moment invariants

9) Cross correlation

6.匹配方法:

基于阈值的匹配

基于最近邻匹配:如果DB是DA的最近邻区域,且之间的距离小于阈值则区域A与区域B是匹配的

基于次最近距离与最近距离之比:

7. 描述子维数影响

低维算子:steerable filters ,complex filters, differential invariants

基于微分的算子,导数的阶数影响着算子的维数,对于steerable filters 三阶导数和四阶导数都能保持算子的独立性,并且导数的阶数对算子匹配的准确度影响显而易见,但是对complex filters 和differential invariants影响较小。并且steerable filters 计算到四阶导数时效果比differential invariants 效果好。

高维算子:GLOH,PCA-SIFT,cross correlation 算子 维数过高与过低效果都不理想。对于GLOH算子,128维匹配效果高于40维和272维,对于PCA-SIFT36维效果好于20维和100维,对于cross correlation则81维匹配效果好于36维和400维。

8.对不同图像变换的适应性

1)仿射变换。 利用Hessian Affine 和Harris Affine 检测特征点,然后对不同的局部算子测试。效果最好的是SIFT算子。并且利用Hessian Affine 比Harris Affine的效果好,因为基于拉普拉斯的尺度选择与Hessian 算子相结合可以获得更准确的结果。

2)尺度变换 大多算子表现良好

3)旋转变换 有三种误差影响算子的计算:区域误差,位置误差,方向估计误差

4)图像模糊 所有的算子性能都有所降低,但是GLOH和PCA-SIFT算子性能最好,基于边缘检测的算子性能下降最为明显

5)图像压缩 影响小于图像模糊,但是比尺度变换和旋转变换大

6)光照变化 对低维算子影响高于高维算子

总结:1)GLOH性能最好,其次是SIFT

2)低维算子中性能最好的是gradient moments和steerable filters

3)cross correlation 最不稳定

4) Hessian-Laplace 和Hessian-Affine 主要检测圆斑状结构。

5)由于更高的准确性,Hessian 区域比Harris区域性能更好一些

  评论这张
 
阅读(268)| 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