|
在前面的blog中，我們已經(jīng)講了SIFT的原理，這里我們再詳細(xì)講解SIFT的變體：PCA-SIFT和GLOH。 – Scale invariant feature transform (SIFT): Lowe, 2004. – PCA-SIFT: SIFT: Ke and Sukthankar 2004 Ke and Sukthankar, 2004. – Gradient location-orientation histogram (GLOH): Mikolajczyk and Schmid 2005 – SURF(Speeded Up Robust Features), Bay, 2006回顧前面講過的SIFT算法，可以很好地應(yīng)對旋轉(zhuǎn)和尺度不變，光強(qiáng)不變，位置遮擋不變（http://blog.csdn.net/abcjennifer/article/details/7639681），其過程分為四步： – Detection of
scale-space extreme 構(gòu)建尺度空間 David G. Lowe, "Distinctive image features from scale-invariant keypoints," International Journal of Computer Vision, 60, 2 (2004), pp. 91-110
/***************************************************PCA-SIFT*****************************************************/ PCA(Principle component analysis) SIFT 描述子將在所有描述子中提取出更有區(qū)分度，更robust to image deformations的特征。其方法： – 在第四步中，不用原先的4*4*8個描述子，而是在41*41的圖像塊上計(jì)算39*39*2（x,y方向）個梯度導(dǎo)數(shù)，然后使用PCA將得到的3042維向量降到36維。 Y. Ke and R. Sukthankar, “PCA-SIFT: A More Distinctive Representation for Local Image 15 Descriptors,” Computer Vision and Pattern Recognition, 2004.
當(dāng)然，上圖只是PCA-SIFT作者的一面之詞，Mikolajczyk and Schmid（2005）的描述子測評顯示還是SIFT比較靠譜。
/***************************************************GLOH*****************************************************/ Mikolajczyk and Schmid（2005）提出了一種SIFT變體的描述子，使用對數(shù)極坐標(biāo)分級結(jié)構(gòu)替代Lowe（2004）使用的4象限?？臻g上取半徑6，11，15，角度上分八個區(qū)間（除中間區(qū)域）,然后將272（17*16）維的histogram在一個大數(shù)據(jù)庫上訓(xùn)練，用PCA投影到一個128維向量。
K. Mikolajczyk and C. Schmid,“A performance evaluation of local descriptors ,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 27, No. 10, pp. 1615-1630, Oct. 2005 /***************************************************SURF*****************************************************/ SURF與SIFT稍有不同， -SIFT建立一幅圖像的金字塔，在每一層進(jìn)行高斯濾波并求取圖像差（DOG）進(jìn)行特征點(diǎn)的提取，而SURF用的是hessian matrix黑森矩陣。 -SIFT特征建立圖像金字塔處理尺度不變特性，而SURF特征將高斯核近似為一個方波濾波，SURF金字塔僅僅用來作特征點(diǎn)的檢測。 下文來自《A Comparison of SIFT, PCA-SIFT and SURF》 SIFT and SURF
algorithms employ slightly different ways of detecting features [9]. SIFT builds
an image Herbert Bay, Andreas
Ess, Tinne Tuytelaars, Luc Van Gool "SURF: Speeded Up Robust Features", Computer
Vision and Image Understanding (CVIU), Vol. 110, No. 3, pp. 346--359,
2008 ftp://ftp.vision.ee./publications/articles/eth_biwi_00517.pdf
/***************************************************COMPARISON*****************************************************/ 論文：A comparison of SIFT, PCA-SIFT and SURF 對三種方法給出了性能上的比較，源圖片來源于Graffiti dataset，對原圖像進(jìn)行尺度、旋轉(zhuǎn)、模糊、亮度變化、仿射變換等變化后，再與原圖像進(jìn)行匹配，統(tǒng)計(jì)匹配的效果。效果以可重復(fù)出現(xiàn)性為評價指標(biāo)。 對以上三種方法進(jìn)行比較：
由此可見，SIFT在尺度和旋轉(zhuǎn)變換的情況下效果最好，SURF在亮度變化下匹配效果最好，在模糊方面優(yōu)于SIFT，而尺度和旋轉(zhuǎn)的變化不及SIFT，旋轉(zhuǎn)不變上比SIFT差很多。速度上看，SURF是SIFT速度的3倍。 采用最近鄰作為匹配策略的特征描述子性能測評結(jié)果：
Reference: http://blog.csdn.net/abcjennifer/article/details/7365651 http://www./csc/manuscript/Journals/IJIP/volume3/Issue4/IJIP-51.pdf http://www.cnblogs.com/mysunnyday/archive/2011/08/31/2160298.html http://140.115.156.251/vclab/teacher/2011AIP/Feature%20Detection%20and%20Matching%20(Part%20II).pdf |
|
|
