41、信息论旋转鲁棒二进制描述符学习

信息论旋转鲁棒二进制描述符学习

在计算机视觉领域，图像描述符的性能和效率至关重要。本文将介绍一种新颖的二进制图像描述符，它基于特征选择构建，能在实时应用中发挥出色作用。

1 二进制描述符构建方案

1.1 基本概念

• 图像块与测试 ：用 ( w \in R^{s×s} ) 表示图像块，测试 ( t ) 是一个将图像块映射到二进制值 ( t(w) ) 的函数，即 ( t : R^{s×s} \to {0, 1} )。
• 数据库 ：数据库 ( D = {w_1, \cdots, w_d} ) 是从共同（未知）分布中抽取的图像块集合。
• 随机变量 ：用大写 ( W ) 表示遵循底层图像块分布的随机变量，( X_t = t(W) ) 是由测试 ( t ) 诱导的伯努利随机变量。

1.2 全局框架

主要目的是判断两个图像块 ( w_1 ) 和 ( w_2 ) 在允许的变换下是否相似。具体操作如下：
1. 计算 ( w_1 ) 和 ( w_2 ) 的距离 ( d )，并基于硬阈值进行匹配。
2. 实际中，为两个图像块计算二进制描述符 ( x_1 ) 和 ( x_2 )，并计算它们之间的距离。
3. 学习一个好的度量归结为选择好的特征，通常在离线过程中完成。离线阶段的主要目标是选择固定数量 ( N ) 的测试，这些测试能带来尽可能多的信息。
4. 采用贪心方法，通过迭代选择测试，最大化与新测试信息数量相关的度量。具体流程如下：