图像的特征点检测是图像配准的第一步,下面将为大家介绍尺度不变特征检测(SIFT)和加速鲁棒特征检测(SURF)两种算法。
하나, SIFT 알고리즘
SIFT 알고리즘은 고정밀 특징점 감지 알고리즘입니다. 이 알고리즘에 의해 감지 된 특징점에는 매우 강력한 스케일, 그레이 레벨 및 방향 정보가 포함됩니다. SIFT 알고리즘의 특징점 감지는 이미지의 스케일 공간에서 수행되어야하며 스케일 공간은 이미지의 컨볼 루션과 가우스 함수에 의해 생성됩니다. 가우스 함수는 다음과 같이 정의됩니다.
이미지 축척 공간 L (x, y)은 다음과 같이 계산됩니다.
1. 축척 공간
피라미드 하단의 이미지가 가장 선명하고 원본 이미지 크기의 두 배입니다. 이미지가 첫 번째 그룹의 첫 번째 레이어로 표시 될수록 더 흐릿하게 올라갑니다. 구성의 첫 번째 단계는 그룹의 두 번째 레이어로 하단 이미지에 가우시안 필터링을 수행하고 새로 생성 된 이미지에 대해이 작업을 반복하고 여러 작업 후에 설정된 이미지가 그룹을 형성 한 다음 그룹에서 가장 많이 흐리게 이미지가 2 배 다운 샘플링됩니다. 즉, 이미지의 길이와 너비가 원본의 절반으로 줄어 듭니다. 그러면 이미지 크기가 원래 이미지 크기의 1/4이됩니다. 새로 생성 된 이미지를 다음 그룹의 초기 이미지로 사용하고 위의 단계를 반복하여 그림과 같이 가우시안 피라미드의 구성을 완료합니다. 같은 그룹의 이미지 크기는 동일합니다. 구성 할 가우시안 피라미드의 그룹과 레이어의 수가 각각 m과 n이라고 가정합니다. 그러면 (m, n)은 그것이 나타내는 축척 공간입니다.
미분 가우시안 피라미드는 가우시안 피라미드 [38]를 기반으로 추가로 구성됩니다. 가우시안 피라미드의 첫 번째 그룹의 두 번째와 첫 번째 레이어의 차이에 의해 형성된 이미지는 미분 가우시안 피라미드의 첫 번째 그룹의 첫 번째 레이어로 사용되며 세 번째 레이어와 두 번째 레이어의 차이에 의해 형성된 이미지 가우시안 피라미드의 첫 번째 그룹의 차이로 사용됩니다. 가우스 피라미드의 첫 번째 그룹과 두 번째 레이어 ...이 규칙에 따라 생성 된 이미지는 미분 가우스 피라미드를 구성하므로 각 그룹의 레이어 수는 미분 가우시안 피라미드는 해당 가우시안 피라미드 그룹의 레이어 수보다 하나 적습니다. 계산 공식은 다음 공식에 나와 있습니다.
2. 극한 점 검출
DOG의 구축이 완료된 후 내부 극한 점의 안정된 특성상 특징점 후보로 찾아서 활용하기위한 알고리즘 전략이 필요하다. 즉, DOG의 각 지점을 검색하여 극한 지점으로 조건을 만족하는지 여부를 판단합니다. 판단의 근거는이 점을 3 차원 공간의 인접 픽셀 (즉, 레이어 주변의 8 개 픽셀과 다음 두 레이어의 인접 픽셀 9 개, 총 26 개)과 비교하여 이것이 있는지 확인하는 것입니다. 포인트는 스케일 공간의 최대 또는 최소입니다. 비교에 의해 포인트가 26 개 포인트 중 가장 높은 경우 해당 포인트는 감지 된 극단 포인트입니다.
3.
특징점 포지셔닝 특징점 포지셔닝은 가장자리에서 부정확 한 점이나 노이즈 간섭에 취약한 점을 제거합니다 .3 차원 2 차 함수 모델이 감지 된 극단 점에 맞춰져 핵심 점의 위치와 위치를 결정합니다. 보간은 이산 이미지 표현을 연속 함수로 표현해야하므로 가우스 차이 함수의 Taylor 급수 확장 :
미분 D는 극단 점의 정확한 위치를 얻을 수 있고 미분 0을 얻을 수 있습니다.
if | D (xmax) <= 0.03 |는 노이즈 간섭에 취약한 저 대비 점이므로 제거하고 그렇지 않으면 유지하십시오.
영상의 가장자리 응답 점을 제거하기 위해서는 주 곡률을 계산하기 위해 2 * 2 Hessian 행렬이 필요합니다
.D의 주 곡률은 H의 고유 값에 비례하기 때문에 비율에 따라 계산할 수 있습니다. H 행렬의 순위 T®와 행렬식 Det (H) 에지 응답 점인지 확인합니다. α와 β를 각각 Hessian 행렬 H의 두 고유 값으로 설정 한 다음 :
다음 공식 2-15가 참인지 확인하여 주 곡률과 임계 값 간의 관계를 결정합니다.
4. 극단 점의 기울기 방향 결정
감지 된 특징점에 회전 불변성이 있어야한다는 요구 사항을 충족하려면 특징점에 방향을 제공해야합니다. 이 방향은 특징점이있는 로컬 이미지 구조를 통해 이미지 그라디언트를 사용하여 얻습니다.
특징점 (x, y)에서 기울기 값 m (x, y) 및 기울기 방향 θ (x, y)는 다음 공식에 의해 구합니다. 여기서 L (x, y)는 특징점 ( x, y).
위의 공식에 의해 계산 된 주변 픽셀의 특징점의 기울기 값 m (x, y) 및 기울기 방향 (x, y)은 히스토그램으로 계산됩니다. 그림 2-5에서 볼 수 있듯이 횡축은 0-45도, 45-90 도와 같은 방향 간격을 나타내고, 세로축은이 간격의 특징점의 기울기 값의 합을 나타냅니다. 시공 방법은 원주 360o를 45 도마 다 한 열씩 8 개의 열로 나누는 것입니다. 그래디언트 히스토그램에서 가장 높은 막대의 값은이 특징점의 주된 방향을 나타냅니다. 또한 값이 가장 높은 값의 80 % 이상에 해당하는 다른 막대가있는 경우이 막대의 방향은 다음과 같이 설정됩니다. 이 특징점의 보조 방향입니다.
특징점 디스크립터 생성
: 회전 각도 때문에 순서 특징점의 주축 방향의 방향이 균일 한 회전 불변 특징 벡터을 보장하는 것이, 처리는 아래의 근방의 화상의 특징점
특징점하여 이웃의 픽셀은 16 개의 하위 도메인으로 분할되고 16 개의 하위 도메인을 포함하는 정사각형은 블록이며 총 4x4 블록입니다. 각 블록의 기울기 히스토그램 (8 방향)을 개별적으로 계산합니다. 처리 후, 4x4x8 = 128 차원 특징 설명자가 획득됩니다.
2. SURF 기능 감지
SURF는 SIFT 알고리즘을 기반으로 한 개선 된 특징 감지 알고리즘으로 SIFT 알고리즘의 높은 정확성과 견고 함의 장점을 가지고 있습니다. 알고리즘 흐름은 SIFT와 유사합니다.
1. 특징점의 위치
Hessian 검출기는 더 많은 안정성과 반복성의 장점이 있기 때문에 SURF 알고리즘은 먼저 검출기를 사용하여 특징점을 검출합니다. 이미지 필터링 프로세스는 이산 이미지 함수 f (x, y)를 사용하여 가우시안 함수의 고차 미분을 컨볼 루션하여 얻을 수 있습니다. SIFT 알고리즘의 요점 포지셔닝과 유사하게 SURF는
픽셀 포인트를 3 차원 공간에서 26 개의 주변 헤세 행렬 결정자와 비교합니다 . .
2. 특징점의 방향 결정
좋은 회전 불변성을 얻기 위해 영역을 정의하고 해당 영역의 Harr 웨이블릿 응답을 계산하여 특징점의 주 방향을 구합니다. 이 영역의 범위는이 특징점을 중심으로하고 반경이 눈금의 6 배인 원입니다. Haar 웨이블릿의 템플릿은 그림에 나와 있습니다
. 위 그림의 템플릿 은 다양한 방향의 Harr 응답을 보여줍니다 . 검정색과 흰색은 각각 -1과 1을 나타냅니다. 위의 템플릿을 사용하여 구분 된 영역의 포인트를 처리하면 각 특징 포인트의 응답을 두 방향으로 얻을 수 있습니다.
그런 다음 템플릿 처리 후 응답에 대해 가우스 가중치가 수행됩니다. 마지막으로, 윤곽이있는 원형 영역에서 60도 섹터를 사용하여 x 및 y 방향의 총 Harr 웨이블릿 기능 수를 계산합니다. 부채꼴 모양이 일정 간격으로 회전하고 반복 통계 연산이 수행되며, 통계 값이 가장 큰 부채 모양의 최종 방향이 특징점의 주 방향입니다.
3.
특징점 서술자 생성 SURF 알고리즘에 의해 생성 된 최종 특징 서술자는 다음 과정을 거쳐야합니다 : 특징점 근처의 정사각형을 선택하고 16 개의 작은 정사각형 영역으로 나눕니다 (각 작은 정사각형은 측면 길이가 5 초). 선택한 사각형의 방향은 특징점의 방향과 일치합니다. 그런 다음 4x4 정사각형 영역
에서 픽셀의 harr wavelet 특성을 계산합니다. 픽셀 수는 25 개입니다. 통계에는 dx, dx, dy 및 dy가 포함됩니다. 각 영역에는 4 개의 통계 값이 있으므로 그림과 같이 측면 길이가 20 초인이 정사각형 영역은 4 × 4 × 4 = 64 치수가됩니다.
저작권 : Dong Shuai, 재 인쇄 소스를 지정하십시오.