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

在图像描述符领域，为了实现实时应用，需要开发高效且鲁棒的二进制描述符。本文将介绍一种基于特征选择的二进制图像描述符构建方法，它在性能和计算效率上都有出色表现。

1. 二进制描述符构建方案

• 全局框架 ：主要目的是判断两个图像块在允许的变换下是否相似。通过计算它们之间的距离，并根据硬阈值进行匹配。实际操作中，会为两个图像块计算二进制描述符，然后计算描述符之间的距离。学习一个好的度量标准归结为选择好的特征，这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。可以采用贪心算法，通过迭代选择测试，最大化与新测试信息数量相关的度量。以下是离线算法的具体步骤：

Algorithm 1. 离线算法
输入: 图像块数据集 D
输出: S 所选测试
1. 生成 M 个随机测试的池 P = {t1, · · ·, tM} // M ≫ N
2. S = ∅
3. 对于 i = 1 到 N 执行以下操作
4.     t∗i = arg max t∈P(JD(t|S))
5.     S = S ∪ {t∗i}

整个度量构建方案依赖于离线和在线两个过程，分别由准则 $J_D(t|S)$ 和 $d(x_1, x_2)$ 驱动。
- 常用选择机制
- 离线测试选择 ：需要设置准则 $J_D(t|S)$，它可以是条件熵 $H(X_t|X_S)$ 的估计，但计算条件