图像特征点及特征描述子总结

参考博客

https://blog.csdn.net/qq_28193895/article/details/80845803 https://blog.csdn.net/u013989576/article/details/49226611 https://blog.csdn.net/tostq/article/details/49314017 https://www.cnblogs.com/zyly/p/9542164.html https://www.cnblogs.com/gfgwxw/p/9440785.html https://www.cnblogs.com/wyuzl/p/7838103.html https://www.cnblogs.com/sonicmlj/p/9564182.html https://blog.csdn.net/dreamguard/article/details/83988814 https://blog.csdn.net/yangying1992/article/details/100809629 https://www.cnblogs.com/jiahenhe2/p/7930802.html https://blog.csdn.net/jiaoyangwm/article/details/79986729

原理 用一个圆形模板在图像上移动，若模板内的像素灰度与模板中心的像素（被称为核Nucleus）灰度值小于一定的阈值，则认为该点与核Nucleus具有相同的灰度，满足该条件的像素组成的区域就称为USAN(Univalue Segment Assimilating Nucleus)。边缘处的点的USAN大小小于或等于圆形模板的一半。 算法步骤 (1)在图像上放置一个37个像素的圆形模板，模板在图像上滑动，依次比较模板内各个像素点的灰度值与模板核的灰度，判断是否属于USAN区域。判别如下： c ( r , r 0 ) = { 1 ∣ I ( r ) − I ( r 0 ) ∣ ≤ t 0 ∣ I ( r ) − I ( r 0 ) ∣ ; t c(r,r_0) = \begin{cases} 1; |I(r)-I(r_0)| \leq t \\ 0;|I(r)-I(r_0) | ;t \end{cases} c(r,r0​)={10​∣I(r)−I(r0​)∣≤t∣I(r)−I(r0​)∣>t​ (2)统计圆形模板中和核心点有相似亮度的像素点数 n ( r 0 ) n(r_0) n(r0​) n ( r 0 ) = ∑ r e D ( r 0 ) c ( r , r 0 ) n(r_0) = \sum_{reD(r_0)}c(r,r_0) n(r0​)=reD(r0​)∑​c(r,r0​) 其中 D ( r 0 ) D(r_0) D(r0​)是以 r 0 r_0 r0​为中心的圆形模板区域 (3)使用如下的角点响应函数。若某个像素点的USAN值小于某一特定阈值，则该点被认为时初始角点，其中，g可以设定为USAN最大面积的一半。 R ( r 0 ) = { g − n ( r 0 ) n ( r 0 ) ; g 0 n ( r 0 ) ≥ g R(r_0) = \begin{cases} g-n(r_0); n(r_0) ; g \\ 0 ; n(r_0) \ge g \end{cases} R(r0​)={g−n(r0​)0​n(r0​)p∈P:Sp−x​=b} ⑤定义一个新的布尔变量 K p K_p Kp​，如果p是一个角点，那些 K p K_p Kp​为真，否则为假； ⑥使用ID3算法(决策树分类器）来查询每一个子集； ⑦递归计算所有的子集直至 K p K_p Kp​的熵为0； ⑧被创建的决策树就用于其他的图片的FAST检测。 (2)非极大值抑制 定义角点响应函数 V = m a x ( ∑ x ∈ S b r i g h t ∣ I p − x − I p ∣ − t , ∑ x ∈ S d a r k ∣ I p − x − I p ∣ − t ) V = max \bigg( \sum_{x \in S_{bright}} |I_{p-x} - I_p| - t, \sum_{x \in S_{dark}} |I_{p-x} - I_p| -t \bigg) V=max(x∈Sbright​∑​∣Ip−x​−Ip​∣−t,x∈Sdark​∑​∣Ip−x​−Ip​∣−t) ①为每一个检测到的特征点计算他响应的大小(score function)V。 ②考虑两个相邻的特征点，并比较它们的V值。 ③V值较低的点会被删除

优缺点

Brief为特征描述子，对已检测到的特征进行描述，是一种二进制编码描述子，由于BRIEF仅仅是特征描述子，所以事先要得到特征点的位置，可以利用FAST特征点检测算法或Harris角点检测算法或SIFT，SURF等算法检测特征点的位置。接下来在特征点领域利用BRIEF算法建立特征描述符。

算法步骤 ①为减少噪声干扰，先对图像进行高斯滤波（方差为2，高斯窗口为9x9） ②以特征点为中心，取SxS的邻域窗口。在窗口内随机选取一对点，比较这两者像素的大小，进行如下的二进制赋值。 τ ( p ; x , y ) = { 1 i f p ( x ) ; p ( y ) 0 o t h e r w i s e \tau(p;x,y) = \begin{cases} 1 ; if p(x) ; p(y) \\ 0 ; otherwise \end{cases} τ(p;x,y)={10​ifp(x)