计算机视觉 特征检测与匹配 特征描述符

本文详细介绍了计算机视觉中用于特征匹配的一系列特征描述符,包括MOPS、SIFT、PCA-SIFT、RootSIFT、GLOH等。SIFT和GLOH在性能上表现出色,而近年来二进制描述符如BRIEF、ORB、BRISK和深度学习技术如LIFT、D2-Net等也得到广泛应用。特征描述符的目标是使图像在各种变化下保持不变性,同时保持可区分性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1、概述

        检测到关键点特征后,我们必须匹配它们,即我们必须确定哪些特征来自不同图像中的相应位置。 在某些情况下,例如,对于视频序列或已校正的立体对,每个特征点周围的局部运动可能主要是平移的。在这种情况下,可以使用简单的误差度量,如平方差之和或归一化互相关,直接比较每个特征点周围小块的强度。因为特征点可能无法准确定位,所以可以通过执行增量运动细化来计算更准确的匹配分数,但这可能很耗时,有时甚至会降低性能。

        然而,在大多数情况下,特征的局部外观会在方向和尺度上发生变化,有时甚至会发生仿射变形。 提取局部尺度、方向或仿射框架估计,然后在形成特征描述符之前使用它来重新采样补丁,因此通常是更可取的。

        即使在补偿了这些变化之后,图像块的局部外观通常仍会因图像而异。我们如何才能使图像描述符对这种变化更加不变,同时仍然保持不同(非对应)补丁之间的可区分性?有学者回顾了一些视图不变的局部图像描述符,并通过实验比较了它们的性能。学者比较了前十年开发的大量学习特征描述符。

        下面,更详细地了解一下其中一些描述符。

2、偏置和增益归一化 (MOPS)

        英文:Bias and gain normalizatio

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

坐望云起

如果觉得有用,请不吝打赏

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值