25、兴趣点检测器与特征描述符综述

兴趣点检测器与特征描述符综述

1. 显著区域检测

显著区域检测的核心思想是，在不同尺度下，兴趣点应展现出与周围区域相比“不可预测”或“令人惊讶”的局部属性或熵。其具体步骤如下：
1. 计算香农熵 ：在尺度空间中计算像素属性（如强度或颜色）的香农熵 (E)，香农熵用于衡量不可预测性。
2. 定位熵最大值 ：在尺度空间中找到熵的最大值或峰值 (M)，同时确定最优尺度。
3. 计算概率密度函数 ：针对每个尺度下每个峰值处的幅度增量计算概率密度函数（PDF），通过从峰值周围指定半径的圆形窗口中获取像素值的直方图来计算 PDF。
4. 计算显著性 ：每个峰值处的显著性是 (E) 和 (M) 的乘积，且与尺度相关。最终的检测器具有显著特征且对尺度具有鲁棒性。

2. SUSAN、Trajkovic 和 Hedly 方法

• SUSAN 方法 ：该方法基于局部亮度相似区域对图像特征进行分割，产生双峰值特征，无需进行噪声滤波和梯度计算。具体操作是，以中心像素值为参考，将给定半径区域内的相邻像素与之比较，得到一组亮度相似的像素，称为单值段同化核（USAN）。每个 USAN 包含局部区域的图像结构信息，可计算其大小、质心和二阶矩。SUSAN 方法可用于边缘和角点检测，通过圆形区域内与中心像素相似的像素比例来确定角点和边缘：比例约为 25% 表示角点，约为 50% 表示边缘，且该方法对噪声具有很强的鲁棒性。
• Trajkovic 和 H