type
status
date
slug
summary
tags
category
icon
password
Email
水寒江静，满目青山，载月明归。——黄庭坚《诉衷情》
文章首发于我的个人博客：欢迎大佬们来逛逛
opencv SIFT特征检测
尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe在1999年所发表，2004年完善总结。 其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。
SIFT算法是为了解决图片的匹配问题，想要从图像中提取一种对图像的大小和旋转变化保持鲁棒的特征，从而实现匹配。这一算法的灵感也十分的直观：人眼观测两张图片是否匹配时会注意到其中的典型区域（特征点部分），如果我们能够实现这一特征点区域提取过程，再对所提取到的区域进行描述就可以实现特征匹配了。
SIFT算法大致流程
高斯金字塔
- 人看物体时近大远小，可以对图片下采样实现
- 远处模糊，可以对图像高斯平滑实现
高斯差分金字塔特征提取
- 获取了不同尺度的图片
- 获取高频区域（边缘检测的算法使用差分滤波器如拉普拉斯滤波器、sobel滤波器）
特征点处理
- 阈值化操作(去噪)
- 非极大值抑制
- 二阶泰勒修正
- 低对比度去除
- 边缘效应去除
描述特征点
- 确定特征点区域方向
- 特征点区域描述子
API介绍
opencv FAST特征检测
FAST（features from accelerated segment test)是基于⾓点检测的图像特征，是公认的比较快速的特征点检测方法，只利用周围像素比较的信息就可以得到特征点，简单，有效。很多传统的算法都很耗时，而且特征点检测算法只是很多复杂图像处理里中的第一步，得不偿失。FAST算法思想是若某像素与其周围领域内足够多的像素点相差较大，则该像素可能是角点
FAST算法大致流程
- 确定候选角点
- 非极大值抑制
API介绍
opencv BRISK特征检测
BRISK(Binary Robust Invariant Scalable Keypoints)是一种二进制的特征描述算子。它具有较好的旋转不变性、尺度不变性，较好的鲁棒性(稳定性)等。在对有较大模糊的图像配准时，BRISK算法在其中表现最为出色。对描述子匹配时，采用汉明距离，进行二值匹配。
汉明距离：它表示两个（相同长度）字对应位不同的数量，我们以d（x,y）表示两个字x,y之间的汉明距离。对两个字符串进行异或运算，并统计结果为1的个数，那么这个数就是汉明距离。例如:1011101 与 1001001 之间的汉明距离是 2。
BRISK算法大致流程
- 建立尺度空间
- 特征点检测
- 非极大值抑制
- 亚像素插值
- 特征点描述
- 高斯滤波
- 局部梯度计算
API介绍
opencv ORB特征检测
ORB在2011年才首次发布，ORB算法将基于FAST关键点的技术和基于BRIEF描述符的技术相结合，但是ORB并没有解决尺度不一致的问题，在OpenCV的ORB实现中采用了图像金字塔来改善这方面的性能，我们通过构建高斯金字塔，然后在每一层金字塔图像上检测角点，来实现尺度不变性。ORB主要解决了BRIEF描述子不具备旋转不变性的问题。 BRIEF是一种特征描述子提取算法，并非特征点的提取算法，一种生成二值化描述子的算法，不提取代价低，匹配只需要使用简单的汉明距离(Hamming Distance)利用比特之间的异或操作就可以完成。因此，时间代价低，空间代价低，效果还挺好是最大的优点。
ORB算法大致流程
- 建立图像金字塔
- FAST算法寻找特征点
- 给关键点分配方向
- 通过BRIEF算法创建特征向量，得到特征描述符
API介绍
opencv MSER特征检测
MSER是极值区域检测算法，MSER类根据输入参数判断是否为彩色or灰度图像进行不同的算法检测。若输入为灰度图像，那么采取MSER极值区域检测算法，若输入为彩色图像，则采用MSCR极值区域检测算法，可以用于图像的斑点区域检测。业界认为是性能最好的仿射不变区域，MSER是当使用不同的灰度阈值对图像进行二值化时得到的最稳定的区域，特点：
- 对于图像灰度的仿射变化具有不变性
- 稳定性，区域的支持集相对灰度变化稳定
- 可以检测不同精细程度的区域
MSER算法大致流程
- 使用一系列灰度阈值对图像进行二值化处理
- 对于每个阈值得到的二值图像，得到相应的黑色区域与白色区域
- 在比较宽的灰度阈值范围内保持形状稳定的区域就是MSER特征
- 评判标准：
dA/dt，A: 二值图像区域面积,t: 灰度
API介绍
opencv SimpleBlob特征检测
SimpleBlob是检测斑点类的特征点，斑点本质其实是一组连通的像素在图像中共享一些共同的属性（如灰度值、颜色等）
SimpleBlob检测大致流程
- 图像分割(例如阈值化操作)
- 连通性分析
- 特征量计算
API介绍
opencv KAZE特征检测
KAZE算法是由法国学者在在2012年的ECCV会议中提出的，是一种比SIFT更稳定的特征检测算法。KAZE算法是基于非线性尺度空间的算法，KAZE 特征对旋转、尺度、有限仿射具有不变性，并且在不同尺度上具有更多的独特性，但代价是计算时间适度增加。
KAZE算法与SIFT算法不一样，它采用的是非线性扩散滤波法。 具体地，非线性扩散滤波法是将图像亮度（L）在不同尺度上的变化视为某种形式的流动函数（flow function）的散度（divergence），可以通过非线性偏微分方程来描述：
通过设置合适的传导函数 c(x,y,t) ，可以使得扩散自适应于图像的局部结构。传导函数可以是标量、也可以是张量。时间t作为尺度参数，其值越大、则图像的表示形式越简单。 Perona和Malik提出了传导函数的构造方式：
其中函数g1优先保留高对比度的边缘，g2优先保留宽度较大的区域，g3能够有效平滑区域内部而保留边界信息（KAZE代码中默认采用函数g2） 。
API介绍
opencv AKAZE特征检测
AKAZE是KAZE的加速版，和SIFT特征检测一样，它也可以检测图像的特征点，和描述子但是它与SIFT的比较：
- 更加稳定，更加迅速；
- 非线性尺度空间，得到的关键点更准确
- 比较新的算法。
AKAZE 特征对尺度、旋转、有限仿射具有不变性，并且由于非线性尺度空间，在不同尺度上具有更多的独特性。
API介绍
opencv GFTT特征检测
GFTT (Good Features to Track)，GFTT 是一个特征检测器。 GFTTDetector 使用 Harris（以创建者命名）和 GFTT 角点检测算法检测特征。 所以，这个类实际上是两种特征检测方法合二为一，原因是GFTT实际上是Harris算法的修改版本，使用哪一种将由输入参数决定。 GFTT特征点检测器和OpenCV中其他特征点检测器有一个很大的不同之处，那就是GFTT特征点检测器只支持提取特征点，而不支持计算描述子。
API介绍
opencv AGAST特征检测
AGAST(Adaptive and Generic Accelerated Segment Test)角点域的特征匹配算法是一种计算二元决策树（角检测器）的技术， 通过组合两棵树，角点检测器自动适应环境，并为图像区域提供最有效的决策树，只有一个像素延迟。因此，它产生了一个角检测器，该检测器速度更快且无需进行训练，同时保持与（完整）FAST 角检测器相同的角响应和可重复性。我们将此检测器称为 AGAST。
API介绍
- 作者:Yuleo
- 链接:https://www.helloylh.com/article/opencv17
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。