《计算机视觉》集大网课笔记【2】
Hariis角点的描述子通常是由角点周围像素块的灰度值，以及用于比较的归一化互相关矩阵构成的。其中，两个（相同大小）像素块和
的相关矩阵定义为：
基础的互相关矩阵为 ，等同于矩阵点乘。而归一化相关时相关矩阵的变形，具体为：
2.2 SIFT（尺度不变特征变换）
SIFT可以解决的问题：
- 目标的旋转、缩放、平移（RST）
- 图像仿射/投影变换（视点viewpoint）
- 目标的尺度/距离
- 弱光照影响（illumination）
- 部分目标遮挡（occlusion）
- 杂物场景（clutter）
- 噪声
SIFT实现步骤简述：（实质可归位在不同尺度空间上查找相同特征点（关键点）的问题）
- 提取关键点
- 对关键点附加详细的信息（局部特征），即描述符
- 通过特征点（附带上特征向量的关键点）的两两比较找出相互匹配的若干对特征点，建立景物间的对应关系
SIFT查找的关键点：一些十分突出的点，不会因光照、尺度、旋转等因素的改变而消失，比如角点、边缘点、暗区域的亮点以及亮区域的暗点。
因此需要了解尺度空间的概念：通过对原始图像进行尺度变换，获得图像多尺度下的空间表示。从而实现边缘、角点检测和不同分辨率上的特征提取，以满足特征点的尺度不变性
尺度空间中各尺度图像的模糊程度逐渐变大，能够模拟人在距离目标由近到远时目标在视网膜上的形成过程。尺度越大图像越模糊。
尺度不变性：在不同尺度空间找到比较接近的尺度对应关系。
高斯滤波器：构造一个滤波函数，满足高斯分布，删除噪声影响。高斯函数方差越大，当前像素点周边信息越多；方差越小，当前像素点信息越多。
高斯金字塔的构建可分为两步：
- 对图像做高斯平滑；
- 对图像做降采样。
高斯图像金字塔共o组、s层，则有：
- σ——尺度空间坐标；
- s——sub-level层坐标；
- σ0——初始尺度；
- S——每组层数（一般为3~5）
最后可将组内和组间尺度归位：
- i——金字塔组数
- n——每一组的层数
为了让尺度体现其连续型，在简单采样的基础上加上了高斯滤波。一幅图像可以产生几组图像，一组图像包括几层（interval）图像。
DoG（Difference of Gaussian）函数
DoG在计算只需相邻高斯平滑后图像相减，因此简化了计算。
DoG高斯差分金字塔
对应DoG算子，需构建DoG金字塔。可以通过高斯差分图像看出图像上的像素值变化情况（如果没有变化，也就没有特征。特征必须是变化尽可能多的点）。DoG图像描绘的是目标的轮廓。
DoG的局部极值点
特征点是由DoG空间的局部极值点组成的。为了寻找DoG函数的极值点，每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。
中间的监测点和它通尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维空间都检测到极值点。
去除边缘响应
由于DoG函数在图像边缘有较强的边缘响应，因此需要排除边缘响应。
DoG函数的峰值点在边缘方向有较大的主曲率，而在垂直边缘的方向有较小的主曲率。主曲率可以通过计算在该点位置尺度的2×2的Hessian矩阵得到，导数由采样点相邻差来估计：
Dxx表示DoG金字塔中某一尺度的图像x方向求导两次。
与Harris角点的区别？
基于Hessian的检测器比基于Harris的检测器更稳定、更可重复。
D的主曲率和H的特征值成正比。令α，β为特征值，则
该值在两特征值相等时达最小。建议阈值T为1.2，即时保留关键点，反之剔除。
通过尺度不变性求极值点，可以使其具有缩放不变的性质。而利用关键点领域像素的梯度方向分布特性，可以为每个关键点指定方向参数方向，从而使描述子对图像旋转具有不变性。
通过求每个极值点的梯度来为极值点赋予方向。
- 像素点的梯度表示：
- 梯度幅值：
- 梯度方向：
方向直方图的生成
确定关键点的方向采用梯度直方图统计法，统计以关键点为原点，一定区域内的图像像素点对关键点方向生成所做的贡献。统计方向[0,2π]f分为8个方向，梯度幅值越大贡献越大。统计后哪个纺线最大，即作为当前方向主方向。
关键点主方向：极值点周围区域梯度直方图的主峰值也是特征点方向。
关键点辅方向：在梯度方向直方图中，当存在另一个相当于主峰值80%能量的峰值时，则将这个方向认为是该关键点的辅方向。为其也生成一个特征向量。
这可以增强匹配的鲁棒性，Lowe的论文指出大概有15%关键点具有多方向，但这些点对撇啤的稳定性至为关键。
《计算机视觉》集大网课笔记【2】相关推荐
- 《计算机视觉》集大网课笔记【7】
目标检测算法 问题及简史 滑动窗口法:不断在图像中切出小的图像块,检测完所有图像块后再进行置信度判断,留下的方框作为检测结果.①对图像尺寸进行缩放.②图像窗口尺寸变化. AdaBoost:加大错分样本 ...
- 《计算机视觉》集大网课学习笔记【6】
图像分割 图像分割的任务 基于聚类的图像分割 可以使用K-means算法,在图像的灰度或颜色空间实现像素点的聚类.不同的类别不一定具有空间紧致性. 也可以在颜色空间上融入位置信息,如(r,g,b,x, ...
- 《计算机视觉》集大网课学习笔记【4】
多视图几何与三维重建 对极几何与基础矩阵 对极点 = 基线(baseline)与像平面相交点 = 光心在另一幅图像中的投影 设X在C,C'坐标系中的相对坐标分别为p,p',则有 p = Rp' + T ...
- 《计算机视觉》集大网课学习笔记【5】
图像检索 图像检索的概念 对于大场景数据集(如城市场景),只有少于0.1%的图像对具有匹配关系 解决方法:利用图像整体特征实现匹配/检索,而非局部特征点 Bag of Words算法流程 找到图像中的 ...
- MySQL高级-04-授课笔记
MySQL高级-04-授课笔记 一.MySQL存储引擎 1.MySQL体系结构 体系结构的概念 任何一套系统当中,每个部件都能起到一定的作用! MySQL的体系结构 体系结构详解 客户端连接 支持接口 ...
- 深度学习中模型攻击与防御（Attack DL Models and Defense）的原理与应用（李宏毅视频课笔记）
文章目录 0 前言 1 Attack(模型攻击) 1.1 Attack on Image Recognition Network Model(对图像识别网络模型的攻击) 1.1.1 Loss Func ...
- 飞桨领航团AI达人创造营第三课笔记
第三课笔记目录 课后感慨 作业完成记录 制作数据集 训练模型 参考案例 代码解读 unzip git 数据集划分解读 文件选择 问题解决 链接指引 课后感慨 课程是越来越难了,有点难跟上了.但得益于群 ...
- 学堂在线部分网课笔记---Web设计与应用
学堂在线部分网课笔记 Web设计与应用 第六章 敏捷的前端框架 6.2.1 bootstrap响应式布局(一) 容器 非固定宽度 固定宽度 Viewport viewport的作用是什么? width ...
- 《机器学习中的数学》第一课笔记1.1
<机器学习中的数学>第一课笔记 链接 使用链接利用python掌握机器学习http://www.afenxi.com/post/8798 林轩田视频(讲的有点深,未必hold得住):htt ...
最新文章
- 我们为你精选了一份Jupyter/IPython笔记本集合 !（附大量资源链接）-下篇
- SAP S4 BP事务代码的业务伙伴和供应商，客户之间的表关系
- Android 获取SDCard中某个目录下图片
- 使用谷歌浏览器模拟微信(android或ios)浏览器
- php 传递类名,php 对象和数组序列化 serialize()返回字符串方便存储和传递 unserialize()反序列化 不丢失类型和结构...
- undo the local changes
- jquery 控制frameset frame节点内容（在子窗口中把该窗口中的焦点处的text内容填
- jvm-内存结构--分类索引
- 安卓开发2019年终总结（写的很水，千万别打开）
- 基于原生Wine6.0.2稳定版打补丁解决ukylin-wine图标显示异常和deepin-wine闪退的问题，Ubuntu运行QQ接近完美（附补丁）。
- POE交换机和普通交换机哪里不同
- 写一函数，将一个3*3的整型矩阵转置
- 微软测试管理框架（Microsoft Test Manager）
- Reporting报表开发知识汇总[个人原创]
- ML之ME：Best-KS分箱/KS值(分类预测问题中评价指标、数据分箱方法)的简介(KS与ROC的关系)、使用方法、案例应用之详细攻略
- Redis 的 RDB 和 AOF
- ACM-ICPC 2018 沈阳赛区网络预赛 J Ka Chang（树分块）
- 算法导论第21章思考题
- CFT Show 信息收集篇
- input输入框实时监测