38、计算机视觉中的特征提取技术

计算机视觉中的特征提取技术

1. 曲率相关内容

在图像分析中，相关性测量不仅对计算曲率有用，在匹配图像对时寻找对应点方面也有更广泛的应用。在角点检测方面，之前关于边缘检测扩展的许多观点同样适用。不过，传统教材对其关注较少。

角点检测存在一些重要问题。有研究表明，结合局部知识可以增强角点提取的性能。实际上，存在多种角点检测方案，各有优缺点。一些重要工作聚焦于利用角点来表征形状，例如曲率原始草图，它包含一组参数化的曲率不连续点。此外，定义角点的方法有很多，如将角点定义为两条线的交点，这就需要先找到这些线；还有一些技术通过描述形状变化来寻找角点。滤波技术可用于改善检测过程，也能用于获取具有多细节的表示，这对形状表征非常有用。曲率尺度空间的提出，为从粗到细地表示形状提供了一种紧凑的方式，并且能够处理外观变换。

2. 特征点检测与区域/补丁分析

现代局部特征提取方法旨在缓解早期局部特征提取方法的一些限制，引入了尺度的概念。这使得物体无论其表观大小如何都能被识别，也能通过一组点来表征物体，从而在视角发生变化、部分图像点被遮挡的情况下仍能进行识别，利用局部邻域属性实现直接从图像中进行物体或场景识别。

新的技术依赖于尺度空间的概念，感兴趣的特征是那些在选定尺度上持续存在的特征。尺度空间由经过高斯滤波器连续平滑并下采样形成的不同尺度的图像金字塔定义。

2.1 尺度不变特征变换（SIFT）

SIFT 旨在解决低级特征提取及其在图像匹配中的许多实际问题。早期的 Harris 算子对图像尺度变化敏感，不适合匹配不同大小的图像。SIFT 变换包括特征提取和描述两个阶段。

特征提取阶段：
1