特徵檢測和描述符提取之間的區別

Question

有誰知道OpenCV 2.3中FeatureDetection和DescriptorExtraction的區別嗎？我知道後者是使用DescriptorMatcher進行匹配所必需的。如果是這種情況，FeatureDetection使用什麼？

謝謝。

Answer 1

特徵檢測

• 在計算機視覺和圖像處理特徵檢測的概念是指針對在每個圖像點的計算的圖像信息的抽象，使局部判決是否存在圖像的方法在這一點上給定類型的特徵。得到的特徵將是圖像域的子集，通常以孤立點，連續曲線或連接區域的形式出現。

  特徵檢測=如何找到圖像中的一些有趣的點（特徵）（例如：找一個角落，找到一個模板等等...）。

功能提取

• 在模式識別和圖像處理中，特徵提取是降維的一種特殊形式。當一個算法的輸入數據太大而無法處理，並且懷疑它是衆所周知的冗餘（很多數據，但沒有太多信息），那麼輸入數據將被轉換成一個簡化的表示集合（也稱爲特徵向量） 。將輸入數據轉換成一組特徵稱爲特徵提取。如果仔細選擇提取的特徵，則預期特徵集將從輸入數據中提取相關信息，以便使用這種減少的表示而不是全尺寸輸入來執行期望的任務。

  特徵提取=如何表示我們發現的有趣點，以便將它們與圖像中的其他有趣點（特徵）進行比較。 （防爆，這一點當地的強度圍繞該點區域的局部定向等等......？）

實際例子：你可以找到與Harris角角落方法，但你可以

您可以在這裏看到更多的信息， Wikipedia link

朱利安，（幫助了你想要的任何方法（直方圖，HOG，在例如第8鄰接局部方向）形容wikip edia：p）

Answer 2

Both，Feature Detection和Feature descriptor extraction是Feature based image registration的一部分。只有在整個基於特徵的圖像註冊過程中瞭解他們的工作是什麼纔有意義。

基於功能配准算法

從PCL documentation下圖顯示了這樣的Registation管道：

1. 數據採集：的輸入圖像和參考圖像被饋送到算法中。圖像應該從略微不同的視點顯示相同的場景。

2. 關鍵點估計（特徵檢測）：關鍵點（interest point）是具有以下特徵的點羣中的點：

   1. 它已經明確，優選數學有根有據，定義，
   2. 它在圖像空間中有一個明確的位置，
   3. 圍繞興趣點的局部圖像結構在本地信息內容方面很豐富。
      的OpenCV帶有幾個實施方式中爲Feature detection，如：
      • AKAZE
      • BRISK
      • ORB
      • KAZE
      • SURF
      • SIFT
      • MSER
      • FAST
      • STAR
      • MSD

   這樣的圖像中要點是如此有用，因爲它們的總和表徵圖像，並有助於使得它區分不同部分。

3. 特徵描述符（描述符提取器）：在檢測到關鍵點後，我們繼續爲它們中的每一個計算描述符。 「局部描述符是一個點的局部鄰域的緊湊表示形式，與描述完整對象或點雲的全局描述符相反，局部描述符只嘗試類似於一個點周圍局部鄰域中的形狀和外觀，因此非常適合表示它在匹配方面。「 (Dirk Holz et al.)。OpenCV的選項：

   • AKAZE
   • BRISK
   • ORB
   • KAZE
   • SURF
   • SIFT
   • FREAK
   • DAISY
   • LATCH
   • LUCID
   • BRIEF

4. 函授估計（描述符匹配）：下一個任務是找到二者都發現關鍵點之間的對應關係images.Therefore所提取的特徵放置在可以有效搜索的結構中（例如kd-tree）。通常查找所有局部特徵描述符並將它們中的每一個匹配到其他圖像中的對應對象就足夠了。然而，由於來自類似場景的兩幅圖像不一定具有相同數量的特徵描述符，因爲一個雲可以具有更多數據，所以另一個雲需要運行分離的對應拒絕過程。 OpenCV的選項：

   • BF
   • FLANN

5. 通訊拒絕：一個執行對應排斥最常用的方法是使用RANSAC（隨機抽樣一致性）。

6. 轉化估算：兩個圖像之間的對應健壯之後計算出的Absolute Orientation Algorithm用於計算施加在輸入圖像上參考圖像相匹配的變換矩陣。有很多不同的算法可以做到這一點，常用的方法是：Singular Value Decomposition（SVD）。