特征提取方法 SIFT,PCA-SIFT,GLOH,SURF

在前面的blog中，我们已经讲了SIFT的原理，这里我们再详细讲解SIFT的变体：PCA-SIFT和GLOH。

– Scale invariant feature transform (SIFT): Lowe, 2004.

– PCA-SIFT: SIFT: Ke and Sukthankar 2004 Ke and Sukthankar, 2004.

– Gradient location-orientation histogram (GLOH): Mikolajczyk and Schmid 2005

– SURF(Speeded Up Robust Features), Bay, 2006回顾前面讲过的SIFT算法，可以很好地应对旋转和尺度不变，光强不变，位置遮挡不变（http://blog.csdn.net/abcjennifer/article/details/7639681），其过程分为四步：

– Detection of scale-space extreme 构建尺度空间
– Accurate keypoint localization 关键点检测
– Orientation assignment 指定方向
– The local image descriptor 局部图像描述子

David G. Lowe, "Distinctive image features from scale-invariant keypoints," International Journal of Computer Vision, 60, 2 (2004), pp. 91-110

/***************************************************PCA-SIFT*****************************************************/

PCA(Principle component analysis) SIFT 描述子将在所有描述子中提取出更有区分度，更robust to image deformations的特征。其方法：

– 在第四步中，不用原先的4*4*8个描述子，而是在41*41的图像块上计算39*39*2（x,y方向）个梯度导数，然后使用PCA将得到的3042维向量降到36维。

Y. Ke and R. Sukthankar, “PCA-SIFT: A More Distinctive Representation for Local Image 15 Descriptors,” Computer Vision and Pattern Recognition, 2004.

当然，上图只是PCA-SIFT作者的一面之词，Mikolajczyk and Schmid（2005）的描述子测评显示还是SIFT比较靠谱。

/***************************************************GLOH*****************************************************/

Mikolajczyk and Schmid（2005）提出了一种SIFT变体的描述子，使用对数极坐标分级结构替代Lowe（2004）使用的4象限。空间上取半径6，11，15，角度上分八个区间（除中间区域）,然后将272（17*16）维的histogram在一个大数据库上训练，用PCA投影到一个128维向量。

K. Mikolajczyk and C. Schmid,“A performance evaluation of local descriptors ,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 27, No. 10, pp. 1615-1630, Oct. 2005

/***************************************************SURF*****************************************************/

SURF与SIFT稍有不同，

-SIFT建立一幅图像的金字塔，在每一层进行高斯滤波并求取图像差（DOG）进行特征点的提取，而SURF用的是hessian matrix黑森矩阵。

-SIFT特征建立图像金字塔处理尺度不变特性，而SURF特征将高斯核近似为一个方波滤波，SURF金字塔仅仅用来作特征点的检测。

下文来自《A Comparison of SIFT, PCA-SIFT and SURF》

SIFT and SURF algorithms employ slightly different ways of detecting features [9]. SIFT builds an image
pyramids, filtering each layer with Gaussians of increasing sigma values and taking the difference. On the
other hand, SURF creates a “stack” without 2:1 down sampling for higher levels in the pyramid resulting
in images of the same resolution [9]. Due to the use of integral images, SURF filters the stack using a box
filter approximation of second-order Gaussian partial derivatives, since integral images allow the
computation of rectangular box filters in near constant time [3].

In keypoint matching step, the nearest neighbor is defined as the keypoint with minimum Euclidean
distance for the invariant descriptor vector. Lowe used a more effective measurement that obtained by
comparing the distance of the closest neighbor to that second-closest neighbor [1] so the author of this
paper decided to choose 0.5 as distance ratio like Lowe did in SIFT.

Herbert Bay, Andreas Ess, Tinne Tuytelaars, Luc Van Gool "SURF: Speeded Up Robust Features", Computer Vision and Image Understanding (CVIU), Vol. 110, No. 3, pp. 346--359, 2008

ftp://ftp.vision.ee.ethz.ch/publications/articles/eth_biwi_00517.pdf

/***************************************************COMPARISON*****************************************************/

论文：A comparison of SIFT, PCA-SIFT and SURF 对三种方法给出了性能上的比较，源图片来源于Graffiti dataset，对原图像进行尺度、旋转、模糊、亮度变化、仿射变换等变化后，再与原图像进行匹配，统计匹配的效果。效果以可重复出现性为评价指标。

对以上三种方法进行比较：

method	Time	Scale	Rotation	Blur	Illumination	Affine
Sift	common	best	best	common	common	good
PCA-sift	good	good	good	best	good	best
Surf	best	common	common	good	best	good

由此可见，SIFT在尺度和旋转变换的情况下效果最好，SURF在亮度变化下匹配效果最好，在模糊方面优于SIFT，而尺度和旋转的变化不及SIFT，旋转不变上比SIFT差很多。速度上看，SURF是SIFT速度的3倍。

采用最近邻作为匹配策略的特征描述子性能测评结果：

Reference:

http://blog.csdn.net/abcjennifer/article/details/7365651

http://www.cscjournals.org/csc/manuscript/Journals/IJIP/volume3/Issue4/IJIP-51.pdf

http://www.cnblogs.com/mysunnyday/archive/2011/08/31/2160298.html

http://140.115.156.251/vclab/teacher/2011AIP/Feature%20Detection%20and%20Matching%20(Part%20II).pdf

from: http://blog.csdn.net/abcjennifer/article/details/7681718

特征提取方法 SIFT,PCA-SIFT,GLOH,SURF相关推荐

Tips--图像特征提取方法HOG、SIFT、LBP优缺点对比
图像特征提取方法HOG.SIFT.LBP优缺点对比目前主流的图像特征提取方法无外乎三种:HOG.SIFT.LBP,现在讲三者的优缺点和应用领域做一个对比: 提取方法优点缺点主要应用领域 HOG ...
传统特征提取方法总结
一般提取的是边缘.角,文理等.传统的图像特征提取一般分为三个步骤:预处理.特征提取.特征处理:然后在利用机器学习等方法对特征进行分类等操作. 预处理:预处理的目的主要是排除干扰因素,突出特征信息.主要 ...
计算机视觉中的传统特征提取方法总结
来源丨机器学习AI算法工程编辑丨极市平台导读本文对计算机视觉传统方法中的一些特征提取方法进行了总结,主要包括有:SIFT(尺度不变特征变换).HOG(方向梯度直方图).SURF.ORB.LBP. ...
OpenCV —— 特征点检测之 SIFT 特征检测器
SIFT 原理详解尺度空间的表示高斯金字塔的构建高斯差分金字塔空间极值点检测尺度变化的连续性特征点定位特征点的精确定位剔除不稳定的边缘响应点特征点方向赋值生成特征描述 SIFT的缺 ...
主成分分析(PCA)是目前应用很广泛的一种代数特征提取方法
主成分分析(Principal Component Analysis,简称PCA)方法是目前应用很广泛的一种代数特征提取方法,可以说是常用的一种基于变量协方差矩阵对样本中的信息进行处理.压缩和抽提的有 ...
基于内容的图像检索软件库LIRE的特征提取方法综述
LIRE(Lucene Image Retrieval ) 是利用Apache Lucene 建立索引进行图像检索的开源软件库.该软件项目的网址是 http://lire-project.net.LI ...
LIRE特征提取方法详解
LIRE(Lucene Image Retrieval ) 是利用Apache Lucene 建立索引进行图像检索的开源软件库.LIRE这个软件库可以很方便地建立Lucene索引进行基于内容的图像检索 ...
DF-SLAM:一种深度特征提取方法
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达标题:DF-SLAM: A Deep-Learning Enhanced Visual SLAM Sy ...
三维模型特征提取方法概述
作者I 开拓者5号@CSDN 编辑I 3D视觉开发者社区一.三维特征提取概述三维特征提取是模式识别中最基本的研究内容之一,可以有效地缓解模式识别领域经常出现的"维数灾难"问题并 ...

特征提取方法 SIFT,PCA-SIFT,GLOH,SURF

特征提取方法 SIFT,PCA-SIFT,GLOH,SURF相关推荐

最新文章

热门文章