主要记录图像特征及在opencv中的使用方法
特征点
1 Harris角点
1.1 目标
- 什么是特征，有什么重要性
- 使用cv::cornerHarris基于Harris-Stephens算法探测角点
1.2 理论
- 计算机视觉中，通常需要找到同一环境下两幅不同图像的匹配点。这样才能提取到他们的信息。
- 说到匹配点是，一般是指场景中容易辨识的典型，称为特征。
- 特征需要具备的特性：具有唯一性
1.3 图像中常见的特征
例如：
- 边
- 拐点（兴趣点）
- 斑点（ROI）
1.4 为什么特征点如此重要
是两条边的角点，表示两条边的方向发生了变化，图像梯度发生较大变化，可以进行识别。
1.5 算法原理
- 因为角点代表图像灰度梯度发生了变化，所有可以查找变化来检测角点。
1.6 关键公式（后续整理）
2 Shi-Tomasi角点
2.1 目标
- 使用cv::goodFeaturesToTrack基于Shi-Tomasi算法检测角点
2.2 原理
对Harris角点就行了小的修改，相比Harris算法有更好的效果，在Harris算法中最终的评分函数是
，而Shi-Tomasi改为了
3 特征探测
3.1 目标
- 使用cv:FeatureDetector 接口查找兴趣点
使用cv::xfeatures2d::SURF和cv::xfeatures2d::SURF::derect 实现探测
使用cv::drawKeypoints 绘制探测点
3.2 SIFT算法
尺度不变特征转换（Scale-invatiant feature transform, SIFT）使用用来探测影像中局部特征，在空间尺度中寻找极值点，提取位置、尺度、旋转不变量的算法，该算法有专利限制。
3.2.1 主要步骤
- 尺度空间极值检测
- 关键点定位
- 方向确定
- 关键点描述
3.2.2 详细过程（待补充）
3.3 SURF算法
4 使用特征进行匹配
4.1 特征描述
4.1.1 目的
使用cv::DescriptorExtractor 进行特征匹配
使用cv::drawMatches 绘制匹配结果
4.2 使用FLANN进行匹配
4.2.1 目的
使用cv::FlannBasedMatcher 实现快速有效的匹配（多维空间的匹配和搜索）
4.2.2 理论
传统的特征描述器通常使用欧式距离（即L2距离）进行描比较和匹配。由于SIFT及SURF使用了直方图对领域空间的方向梯度进行描述，所有欧式距离被替换为了基于直方图的指标（Earth Mover's, EMD )
二进制描述器使用Hamming距离来匹配：
网友评论