一些特征杂记
来源:互联网 发布:新浪微博怎么做淘宝客 编辑:程序博客网 时间:2024/05/20 21:48
1、 GIST
SpatialEnvelope : 空间包络
Given an input image, a GISTdescriptor is computed by
Convolve the image with 32 Gaborfilters at 4 scales, 8 orientations, producing 32 feature maps of the same sizeof the input image.
Divide each feature map into 16regions (by a 4x4 grid), and then average the feature values within eachregion.
Concatenate the 16 averagedvalues of all 32 feature maps, resulting in a 16x32=512 GIST descriptor.
Intuitively,GIST summarizes the gradient information (scales and orientations) fordifferent parts of an image, which provides a rough description (the gist) ofthe scene.
2、 DenseSIFT
它与SIFT(也叫sparse SIFT)的区别就在于它的获取过程是:对于图片中的每个像素,以该像素为中心,将它周围的一个16*16的区域分为4*4的单元,然后在每个单元中,用8个bins的直方图统计梯度方向,即可对每个像素得到一个4*4*8=128维的特征描述。
Dense SIFT和SIFT的区别就是:Lowe提出的SIFT算法中,会构建DOG尺度空间,从而进行关键点定位,然后计算每个关键点的128维的特征描述,而Dense SIFT是直接对图片中的每个像素,以该像素为中心,将它周围的一个16*16的区域分为4*4的单元,然后在每个单元中,用8个bins的直方图统计梯度方向,计算128维的特征描述.
很多应用中,证明Dense SIFT在场景或物体分类中取得的效果更好,并且速度更快。
在一些场景分类中,经常会先提取Dense SIFT,但是这样提取出来的特征数量太大,于是然后进行池化(如,max pooling……,就是把特征图像的某个区域求最大值,用来代表这个区域)
当研究目标是对同样的物体或者场景寻找对应关系(correspondence)时,Sparse SIFT更好。而研究目标是图像表示或者场景理解时,Dense SIFT更好,因为即使密集采样的区域不能够被准确匹配,这块区域也包含了表达图像内容的信息。
- 一些特征杂记
- 一些杂记
- 一些杂记
- 一些杂记
- 一些杂记
- gentoo的一些杂记
- SOA的一些杂记
- (3)html一些杂记
- 线程的一些杂记
- llinux一些杂记
- 平时一些程序杂记
- XCode的一些调试 杂记
- 最近工作的一些杂记
- UISearchBar学习的一些杂记
- [杂记]一些感悟,随时更新
- 面向对象的一些杂记
- 自学Mysql的一些杂记
- 树的一些操作,杂记
- 史上最全最强SpringMVC详细示例实战教程
- 产品之避免头脑发热一时兴起最后失败的经验
- Android开源项目
- 序列化必须灭亡!
- QT自定义对话框的模态
- 一些特征杂记
- Android捕获全局异常信息并实现上传
- 解决 debian 系统下 无法使用 mutt 发送邮件
- 多进程并发编程----基于高级的预先创建进程池(accept使用线程上锁)的模型
- 虚拟机增加Ubuntu磁盘空间的方法
- 一小时了解数据挖掘①:解析常见的大数据应用案例
- Gradel文件配置(多渠道打包)
- Appium环境的安装与配置_Python版
- ZZULIOJ 1879: 蛤玮买好了礼物