22、兴趣点检测器的实验结果与分析

兴趣点检测器的实验结果与分析

1. 实验概述

在图像分析领域，兴趣点检测器是许多现代计算机视觉系统的重要工具，可用于场景识别、目标检测和图像索引等任务。本次实验采用单目标和多目标遗传编程方法，自动合成能够检测图像中有趣点的图像算子，旨在探究兴趣点检测任务中的多目标特性以及不同算子在各项性能指标上的表现。

2. 信息内容与点分散性的关系

2.1 理论关联

通常认为，兴趣点的分散性和信息内容呈正相关。当兴趣点高度分散时，其对应的描述符可能不同，从而具有较高的信息内容；反之，若兴趣点在图像中彼此靠近，则其描述符可能相似，信息内容较低。

2.2 实验结果

• Pareto前沿分析 ：实验得到的Pareto前沿图显示，MMIP和SO - GP算子被Pareto最优解所支配。在图中还确定了位于Pareto前沿的三个算子：(m)、(n)和(o)。
  | 算子 | 符号表达式 |
  | — | — |
  | 算子 (m) | (G2 ∗G2\left[\frac{Ly}{2·Lyy + Lxy}\right]) |
  | 算子 (n) | (G2 ∗G2 ∗\left[\frac{Lxy}{2·Lyy + Lxy + Lx}\right]G1 ∗G2 ∗G1 ∗G2 ∗G1 ∗I) |
  | 算子 (o) | (G2 ∗\left(G2 ∗G1 ∗I + G2 ∗\left[\frac{Lxy}{G2 ∗Ly}\right]\right)\log(Ly)-\left|\sqrt{I - |Lxx + Lxy| + G1 ∗Lx}\