DASC代码全解析

最新推荐文章于 2022-12-29 19:07:02 发布

dadaHaHa1234

最新推荐文章于 2022-12-29 19:07:02 发布

阅读量1.1k

点赞数 1

本文链接：https://blog.youkuaiyun.com/qq_32425195/article/details/113485268

版权

这篇博客介绍了DASC（Directional and Anisotropic Structure Correlation）算法，它通过在图像中采样55x55的patch并计算相似度，利用引导滤波的方式简化计算。作者详细解释了相似度计算公式和如何使用GF进行特征提取。关键步骤包括计算G值和应用能量函数优化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

DASC的project和code参考：https://seungryong.github.io/DASC/

DASC含义

在一张影像中，像素i的DASC是在4040的空间中多次计算。每次计算，采样两个55的方格（记为patch s和patch t），然后计算这两个patch的相似度C(s,t)作为像素i的特征之一;

采样方式

在4040的区域内，采样两个55的方格比较，有很多的选择。这里采用有监督的训练方式(SVM)来得到最佳的选择

计算DASC描述符

公式说明：
在一张影像中，像素i的DASC是在4040的空间中多次计算。每次计算，采样两个55的方格（记为patch s和patch t），然后计算这两个patch的相似度C(s,t)作为像素i的特征之一;
在这里插入图片描述
其中C(s,t)的计算方式为：
s’和t’是指patch s和patch t中的对应位置，∑是指依次遍历patch s和patch t中对应位置(共5*5=25个位置)；Ws,s’指的patch s中，s’位置的像素值与s的相似度，即|Vs’-Vs|；（fs’-Gs）(ft‘-Gt)类似于计算向量间的余弦相似性；
整体可以理解为：patch s和patch t中所有像素构成向量，计算含权重的余弦相似性；权重为该像素与中心像素的相似度。
exp(-(1-||))表示两个向量越相关(无论正相关还是负相关)，相似度越高；越不相关，相似度越小
在这里插入图片描述

为了快速计算，可以把公式简化为：

其中：

在这里插入图片描述

即上述几个参数都可以用GF的方式来获取（Guided Image Filtering），参考https://www.cnblogs.com/riddick/p/8367591.html
the weighted average of fj’ with a guidance image of fi’.

GF:当参考图像为I,输入图像为p,输出的图像记为q
在这里插入图片描述
通过最小化能量函数得到的结果为：

总结：可以江DASC描述符化简为为引导滤波的形式来计算
在这里插入图片描述

按照上述公式计算得到q
guidedfilter_runfilter(I, I, I_adaptive_mean, preco, runf, param, param_sub)

然后再按照公式10和公式8计算得到由于patch s和patch t构成的特征。

分别计算各个G
guidedfilter_runfilter(I, I, I_adaptive_mean, preco, runf, param, param_sub);
guidedfilter_runfilter(I, II, II_adaptive_mean, preco, runf, param, param_sub);
guidedfilter_runfilter(I, J, J_adaptive_mean, preco, runf, param, param_sub);
guidedfilter_runfilter(I, JJ, JJ_adaptive_mean, preco, runf, param, param_sub);
guidedfilter_runfilter(I, IJ, IJ_adaptive_mean, preco, runf, param, param_sub);

计算C作为特征
			if (i1 > 0 && i1 < param->row && j1 > 0 && j1 < param->col)
            {
				ind = i1 + param->row*j1;
				num_corrSurf = IJ_adaptive_mean[ind] - I_adaptive_mean[ind] * J_adaptive_mean[ind];
				dem_left = II_adaptive_mean[ind] - I_adaptive_mean[ind] * I_adaptive_mean[ind];
				dem_right = JJ_adaptive_mean[ind] - J_adaptive_mean[ind] * J_adaptive_mean[ind];
                dem_corrSurf = sqrt(dem_left*dem_right);
                
                if( dem_corrSurf > 1e-10)
                    fout[i + param->row*(j + param->col*s)] = exp(-(1-num_corrSurf/dem_corrSurf)/0.5);
                else
                    fout[i + param->row*(j + param->col*s)] = 1;
                
			}