图像局部显著性—点特征(FREAK)
来源:互联网 发布:淘宝客服是不是店主 编辑:程序博客网 时间:2024/04/30 18:17
参考文章:Freak特征提取算法 圆形区域分割
一、Brisk特征的计算过程(参考对比):
1.建立尺度空间:产生8层Octive层。
2.特征点检测:对这8张图进行FAST9-16角点检测,得到具有角点信息的8张图,对原图像img进行一次FAST5-8角点检测(当做d(-1)层,虚拟层),总共会得到9幅有角点信息的图像。
3.非极大值抑制:
4.亚像素插值:进过上面步骤,得到了图像特征点的位置和尺度,在极值点所在层及其上下层所对应的位置,对FAST得分值(共3个)进行二维二次函数插值(x、y方向),得到真正意义上的得分极值点及其精确的坐标位置(作为特征点位置);再对尺度方向进行一维插值,得到极值点所对应的尺度(作为特征点尺度)。
5.特征点描述:使用如下图的砖块模式
5.1 通过计算局部梯度来计算主方向
5.2 根据主方向进行旋转,得到,512Bit的二进制编码,也就是64个字节(BRISK64)的Brisk特征。
二、FRESK特征的计算过程
步骤5之处,采样模式发生了变化,如下图:
从图中可以看出,该结构是由很多大小不同并有重叠的圆构成,最中心的点是特征点,其它圆心是采样点,采样点离特征点的距离越远,采样点圆的半径越大,也表示该圆内的高斯函数半径越大。
特点:
由于FREAK描述符自身的圆形对称采样结构使其具有旋转不变性,采样的位置好半径随着尺度的变化使其具有尺度不变性,对每个采样点进行高斯模糊,也具有一定的抗噪性能,像素点的强度对比生成二进制描述子使其具有光照不变性。因此由上述产生的二进制描述子可以用来进行特征匹配。在匹配之前,再补充一下特征点的方向信息。
三、OpenCV使用Freak描述子
参考一个Freak与ORB的对比评测:http://blog.csdn.net/yang_xian521/article/details/7732835
关于主方向的确定和匹配模式,请参考原文:特征检测Freak检测算法。
参考资料:FREAK原始论文《FREAK: Fast Retina Keypoint》
- 图像局部显著性—点特征(FREAK)
- 图像局部显著性—点特征
- 图像局部显著性—点特征
- 图像局部显著性—点特征(GLOH)
- 图像局部显著性—点特征(SURF)
- 图像局部显著性—点特征(Fast)
- 图像局部特征(十三)--FREAK特征
- 图像局部显著性—线特征
- 特征点匹配——FREAK算法介绍
- 图像局部特征(二)--Harris角点检测子
- 图像局部特征(三)--FAST角点检测子
- 图像特征点提取及描述子汇总:FIST、SURF、FAST、BRIEF、ORB、BRISK、FREAK
- 图像特征描述子之FREAK
- 图像局部特征点检测算法综述
- 图像局部特征点检测算法综述
- 图像局部特征点检测算法综述
- 【图像基础】局部特征点的理解
- 【图像基础】局部特征点的理解
- Javascript跨域总结
- POJ 1661 JIMMY
- 杂想2017/3/16
- WPF的文件读写保存操作示例
- Random Forest随机森林概述
- 图像局部显著性—点特征(FREAK)
- HTML5-视频播放器
- 蓝桥杯基础练习:十进制转十六进制
- Error:Could not install Gradle distribution from 'https://services.gradle.org/distributions/gradle-2
- ajax请求,和普通的http url请求,有什么不一样?
- Android Studio 调试技巧
- mybatis——example文件形式——多表联查
- ANGULARJS DIRECTIVE FOR SHOWING CONTENT IN A NEW WINDOW
- 自学SpringBoot之Spring插件拦路虎