24、特征描述属性分类与兴趣点检测方法综述

特征描述属性分类与兴趣点检测方法综述

在计算机视觉领域，特征描述和兴趣点检测是至关重要的环节。特征描述用于对图像中的特征进行量化和表示，而兴趣点检测则是找出图像中具有代表性的关键点。下面将详细介绍特征描述属性的分类以及常见的兴趣点检测方法。

特征描述属性分类

通用鲁棒性属性

通用鲁棒性属性主要包括亮度、对比度以及使用RILBP的旋转，共计3种。此外，还有8种或更多的属性，如尺度、旋转、遮挡、形状、仿射、反射、噪声和光照等。这些属性对于评估特征描述符的优劣至关重要，因为不同的特征描述符方法只能处理部分不变性和鲁棒性属性，所以在评估时需要分别考虑每个属性。

形状因子示例

此示例使用二值阈值多边形区域。预处理步骤包括自适应二值阈值处理和形态学形状定义操作。测量步骤则从基于像素邻域的周长跟踪开始，以定义周长边缘，接着计算周长点的质心，然后确定从质心出发到周长的36条径向线段。最后分析每条线段，以找到包括长/短轴和傅里叶描述符在内的形状因子。测量假设只测量单个二值对象，而实际图像可能包含多个对象。

假设内存占用如下：从质心开始，以10度为增量，在360度范围内进行36个角度采样；36个浮点数用于FFT频谱幅度；36个整数用于线段长度数组；4个整数用于长/短轴方向和长度；4个整数用于边界框（x, y, dx, dy）；1个整数用于周长；2个整数用于质心坐标。总计为36 * 4 + 36 * 2 + 4 * 2 + 4 * 2 + 1 * 2 + 2 * 2 = 238（假设使用2字节短整数和4字节浮点数）。

视觉指标分类（FME）