图像特征描述子之PCA-SIFT与GLOH
原文站点:https://senitco.github.io/2017/06/28/image-feature-PCA_SIFT-GLOH/
SIFT和SURF是两种应用较为广泛的图像特征描述子,SURF可以看做是SIFT特征的加速版本。在SIFT的基础上,又陆续诞生了其他的变体:PCA-SIFT和GLOH(Gradient Location-Orientation Histogram)。
PCA-SIFT
SIFT特征提取主要分为4步:尺度空间构建,关键点定位,主方向分配,生成特征描述子。PCA-SIFT的前3步和标准SIFT相同,也就说PCA-SIFT和标准SIFT具有相同的尺度空间、亚像素定位以及主方向。但在生成特征描述子时,使用特征点周围
1. 以特征点为中心,选定
2. 计算邻域内所有像素水平和垂直方向的梯度(偏导数),得到一个
3. 假设有
4. 计算协方差矩阵
5. 对于新的特征描述子向量,乘以投影矩阵
实际上,第3步和第4步一般提前计算好,也就是投影矩阵
PCA-SIFT描述子和标准SIFT相比,在保持各种不变性的同时,降低了特征向量的维数,使得特征点匹配速度大大提升。但其缺点是事先需要有一组典型图像的学习,而且,训练得到的投影矩阵只适用于同类的输入图像。
GLOH
梯度位置方向直方图(Gradient Location-Orientation Histogram, GLOH)也是SIFT特征描述子的一种扩展,其目的是为了增加特征描述子的鲁棒性和独特性。GLOH把标准SIFT中
result
SIFT、PCA-SIFT、GLOH的实验结果如下所示
reference
- Paper: PCA-SIFT: A More Distinctive Representation for Local Image Descriptors
- Paper: A Performance Evaluation of Local Descriptors
- http://blog.****.net/JIEJINQUANIL/article/details/50419119
- http://blog.****.net/luoshixian099/article/details/49174869
- http://blog.****.net/songzitea/article/details/18270457
- http://blog.****.net/abcjennifer/article/details/7681718