局部特征(1)——入门篇
- 局部特征(1)——入門篇
- 局部特征(2)——Harris角點
- 局部特征(3)——SURF特征總結
- 局部特征(4)——SIFT和SURF的比較
- 局部特征(5)——如何利用彩色信息 Color Descriptors
- 局部特征(6)——局部特征描述匯總
?--------------------------------------------------------------
?
????局部特征?（local features），是近來研究的一大熱點。大家都了解全局特征（global features），就是方差、顏色直方圖等等。如果用戶對整個圖像的整體感興趣，而不是前景本身感興趣的話，全局特征用來描述總是比較合適的。但是無法分辨出前景和背景卻是全局特征本身就有的劣勢，特別是在我們關注的對象受到遮擋等影響的時候，全局特征很有可能就被破壞掉了。而所謂局部特征，顧名思義就是一些局部才會出現的特征，這個局部，就是指一些能夠穩定出現并且具有良好的可區分性的一些點了。這樣在物體不完全受到遮擋的情況下，一些局部特征依然穩定存在，以代表這個物體（甚至這幅圖像），方便接下來的分析。我們可以看下面這個圖，左邊一列是完整圖像，中間一列是一些角點（就是接下來我們要講的局部特征），右邊一列則是除去角點以外的線段。不知道你會不會也覺得你看中間一列的時候能更敏感地把他們想象成左邊一列的原始物品呢？一方面說，如果我們用這些穩定出現的點來代替整幅圖像，可以大大降低圖像原有攜帶的大量信息，起到減少計算量的作用。另一方面，當物體受到干擾時，一些冗余的信息（比如顏色變化平緩的部分和直線）即使被遮擋了，我們依然能夠從未被遮擋的特征點上還原重要的信息。
??? 把局部特征說的這么好聽，你也許會問怎樣的特征能夠被當做局部特征點呢？我們不妨來看下面的這幅圖：
??? 我們選擇了3個部分：邊緣的點、邊緣的線、變化緩慢的天空，當我在左邊的圖像中選擇哪個部分的時候，你最有可能從右邊的圖像中找到對應的部分來呢？很顯然是邊緣的點吧-------天空，那么多都是一樣的；而邊緣，一條直線往左看往右看都是差不多的，你讓我選哪個點（這也叫做aperture problem）；而頂點相比之下更具有唯一性，所以局部特征最初的研究也就是從角點開始的（比如Harris Corner）。
??? 一種定量的檢測方法，就是通過SSD去比較兩個塊區域以定義一個相似度，值越小，兩個塊越相似：
??? 當然我們應該知道，檢測出的塊應該和周圍有一定的區分性，如何體現這種區分性，不妨做個試驗：當前塊和它的鄰域做匹配，顯然自己和自己匹配的時候值最小，而如果周圍一定范圍的值都特別小，那我們豈不是自己和自己都無法找到匹配，那還拿他當特征干啥？所以如果下式有明顯極值，就可以把它當做特征點了。（式中的Δu表示當前塊與比較鄰域之間的位移）
??? 這個過程就是早期的Harris Corner的核心思想(如果讀者想了解Harris Corner的具體細節，請參見該系列的下一篇博客)。
??? 總結一下，好的特征應該具有以下幾個特點：
- ????重復性：不同圖像相同的區域應該能被重復檢測到，而且不受到旋轉、模糊、光照等因素的影響；
- ????可區分性：不同的檢測子，應該可以被區分出來，而為了區分它們，應運而生的就是與檢測對應的描述子了；
- ????數量適宜：檢測子可別太多，不然啥阿貓阿狗都能出來混，但也不能太少，要求太高可就招不到人才了；
- ????高定位（尺度和位置）：是在哪出現的，最好就在哪被找到，可別跑偏了；
- ????有效性：檢測速度越快越好。
??? 在接下來的幾篇文章里，我主要針對局部特征，特別是目前使用的特別火熱的SIFT特征和SURF特征進行一些描述和總結。這兩個特征都是魯棒性特別好的局部特征，被廣泛應用在模式識別方面。
? ? 關于局部特征的更多介紹，請見http://download.csdn.net/download/jiang1st2010/4343689??
-----------------------
jiang1st2010
原文地址：http://blog.csdn.net/jiang1st2010/article/details/7621681?
總結
以上是生活随笔為你收集整理的局部特征(1)——入门篇的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 聚类(1)——混合高斯模型 Gaussi
- 下一篇： 局部特征(2)——Harris角点