PCA-SIFT GLOH
来源:互联网 发布:安卓刷机软件 编辑:程序博客网 时间:2024/05/17 08:25
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)
- PCA-SIFT GLOH
- SIFT,PCA-SIFT,GLOH相关资料链接
- 特征提取方法 SIFT,PCA-SIFT,GLOH,SURF
- 特征提取方法 SIFT,PCA-SIFT,GLOH,SURF
- 特征提取方法 SIFT,PCA-SIFT,GLOH,SURF
- 特征提取方法 SIFT,PCA-SIFT,GLOH,SURF
- 特征提取方法 SIFT,PCA-SIFT,GLOH,SURF
- 图像特征描述子之PCA-SIFT与GLOH
- PCA-SIFT总结
- SIFT,SURF和PCA-SIFT对比
- 谈谈SIFT、PCA-SIFT、SURF及我的一点思考
- 谈谈SIFT、PCA-SIFT、SURF及我的一点思考
- 谈谈SIFT、PCA-SIFT、SURF及我的一点思考
- SURF PCA-SIFT and SIFT 开源代码 总结
- 谈谈SIFT、PCA-SIFT、SURF及我的一点思考
- Sift匹配算法(SURF,PCA-sift,hog)
- SURF PCA-SIFT and SIFT 开源代码 总结
- PCA-SIFT特征分析(提升篇)
- 访问TOP链接超时和重置问题
- 开发人员的人品问题
- Frog CMS
- PerlTidy的配置项
- android 控件
- PCA-SIFT GLOH
- 这些天的一些心得
- POJ_2001_trie
- Sql 表变量和临时表
- Visual C++ 调试技巧: 从变量查看窗口获取更多信息
- Total Float vs. Free Float
- ffmpeg4mobile在mobile 6.1上报错“不是有效的Pocket PC应用”解决方法
- 想要更完美吗?请参透这66句话
- Foxmail如何更改邮件保存路径