42、兴趣点检测与描述符详解

兴趣点检测与描述符详解

1. 区域检测方法及显著性度量

在实验中，使用了$M = 32$个区间，每个区间的贡献如下：
[h(k, c, \sigma) \equiv \frac{1}{\sum_{i=1}^{N} w_i(c, \sigma)} \sum_{i=1}^{N} w_i(c, \sigma)K\left(k - \frac{M}{2\pi} o_i\right)]
其中，$o_i$表示轮廓$g_i$的梯度向量的方向角（以弧度为单位），$K(x) \equiv \exp(-x^2/2)$是高斯平滑核。

圆的最终显著性度量为：
[C(c, \sigma) \equiv H(c, \sigma)E(c, \sigma)]
该度量很好地捕捉了凸显著性的概念。当边缘点靠近圆且与圆的切线良好对齐时，$E$取大值；当具有高权重的边缘点在圆周围的方向上分布良好时，$H$取大值。当图像的轮廓恰好与以$c$为中心、半径为$\sigma$的完整圆周重合时，可获得最大值。

2. 兴趣点和区域检测器的选择

大量的检测器在基本信息使用类型（方法论方法）或提取的结构（角点、斑点、边缘、区域）方面存在差异。基于这些差异以及应用所需的特性（如速度、准确性、重复性、可区分性、不变性等），可以做出合适的检测器选择。

以下是选择检测器时的一些考虑因素：
- 不变性结构提取 ：提取图像不变结构的检测器通常需要更大的计算负载，且独特性和定位精度较低。例如，在图像采集系统（电视摄像机、相机）的校准应用中，选择定位精度高的兴趣点检测器（角点或斑点）较为有用；而在目标识别应用中，检测器需