94、图像与图处理技术：从特征提取到相似度计算

图像与图处理技术：从特征提取到相似度计算

在当今的计算机科学和图像处理领域，有许多前沿的技术和方法被用于解决各种复杂的问题。本文将介绍三个方面的重要内容：特征提取与匹配、长期图像序列配准以及利用量子行走计算图相似度。

特征提取与匹配

在特征提取和匹配方面，有人提出了一种新颖的提取光谱特征的方法以及有效的动态规划匹配方法。同时，引入了图像生成技术来增强主成分分析（PCA）。通过实验证明，PCA 能够成功提取非常紧凑的特征。结合图像生成的学习方法显著改进了该方案，与参考方法相比，在等错误率（EER）为 0.26%时仅需 800B 的数据，而参考方法在 EER 为 0.42%时需要 18KB。

主成分理论上是相同的，这解释了最终达到相同的 Fisher 比率。原本期望图 5(b)中的曲线 IIa 和 IIb 能像图 4(b)中的准确率曲线那样平滑连接，但实际连接较为陡峭。一种可能的解释是，在情况 IIb 中，较高的成分主要代表噪声；而在情况 IIa 中，由于训练样本量不足和地形不一致，未进行图像生成的 PCA 无法将相关信息压缩到较低子空间，因此较高成分中仍保留有判别信息。

长期图像序列配准

长期户外观测生成的图像序列在比较处理和生成展示材料时会遇到一些难题。这些图像受到多种外部参数和设备特性的影响，例如：
- 外部参数 ：
- 天气条件（如晴天、雨天或雾天）
- 一天中不同时间的太阳位置
- 季节因素导致的太阳位置和植被变化
- 自然变化（如植被生长）
- 人为改变（如建筑施工）
- 设备特性 ：