51、图像特征检测与描述算法详解

图像特征检测与描述算法详解

1. Star算法流程

在完成DoG（Difference of Gaussians）核的近似计算后，需要进行阈值处理并筛选出局部极值点。具体步骤如下：
1. 阈值处理与局部极值筛选 ：将计算得到的值进行阈值处理，然后通过在(x, y, scale)空间中与3×3×3的邻域立方体进行比较，仅保留该27元素集合中具有最高（或最低）值的点，去除非局部极值点。
2. 尺度自适应Harris度量计算 ：由于这类特征对边缘响应较强，Star算法会计算尺度自适应的Harris度量。该度量的计算基于一个与Harris - Shi - Tomasi角点讨论中类似的矩阵，但有两个重要区别：
- 自相关矩阵各元素求和的窗口大小与特征尺度成正比。
- 自相关矩阵由CenSurE特征的最大响应构建，而非图像强度。实际测试是将该矩阵的行列式与迹的平方乘以灵敏度常数进行比较。
3. 二值化尺度自适应Harris度量 ：在OpenCV实现中，还有第二个测试，即二值化尺度自适应Harris度量。它根据窗口中每个点的最大响应大小相对于其邻域的变化率，为每个点分配1、0或 - 1的值，以此量化特定点是否为尺度空间极值。

2. Star检测器

Star检测器 cv::StarDetector 直接继承自 cv::Feature2D 基类，其构造函数如下：

class cv::xfeature