Разница между обнаружением функций и извлечением дескриптора

Ответ 1

Обнаружение функции

• В области компьютерного зрения и обработки изображений концепция определения функции относится к методам, которые направлены на вычисление абстракций информации об изображении и принятие локальных решений в каждом изображении, существует ли в этом пункте функция изображения данного типа или не. Результирующими признаками будут подмножества области изображения, часто в виде изолированных точек, непрерывных кривых или связанных областей.

  Обнаружение функции = как найти некоторые интересные моменты (функции) на изображении. (Пример: найти угол, найти шаблон и т.д.)

Выделение функций

• При распознавании образов и при обработке изображений экстракция объектов является специальной формой уменьшения размерности. Когда входные данные в алгоритм слишком велики для обработки, и предполагается, что он является слишком избыточным (много данных, но не так много информации), тогда входные данные будут преобразованы в набор редуцированных представлений (также называемый вектор функций), Преобразование входных данных в набор функций называется извлечением функции. Если выбранные функции тщательно выбраны, ожидается, что набор функций извлечет соответствующую информацию из входных данных, чтобы выполнить требуемую задачу, используя это уменьшенное представление вместо ввода полного размера.

  Выделение функций = как представить интересные точки, которые мы нашли, чтобы сравнить их с другими интересными точками (особенностями) на изображении. (Ex, интенсивность локальной области этой точки? Локальная ориентация области вокруг точки? И т.д.)

Практический пример: вы можете найти угол с угловым методом Harris, но вы можете описать его любым способом (гистограммы, HOG, Local Orientation в 8-м смежности, например)

Здесь вы можете увидеть еще несколько сведений, Ссылка Википедии

Жюльен, (Помогал с википедией: p)

Ответ 2

Оба, Feature Detection и Feature descriptor extraction являются частями Feature based image registration. Имеет смысл только взглянуть на них в контексте всего процесса регистрации изображений на основе функций, чтобы понять, какова их работа.

Алгоритм регистрации функций

На следующем рисунке из документации PCL показан такой конвейер регистрации:

• Сбор данных: Входное изображение и опорное изображение поступает в алгоритм. Изображения должны показывать одну и ту же сцену с немного разных точек зрения.

• Оценка ключевых точек (обнаружение функции): Ключевая точка (процентная точка) - это точка внутри облака точек, которая имеет следующие характеристики:

  • он имеет ясное, желательно математически обоснованное определение
  • он имеет четко определенную позицию в пространстве изображения,
  • локальная структура изображения вокруг точки интереса богата с точки зрения локального информационного содержимого.
    
    OpenCV поставляется с несколькими реализациями для Feature Detection, например:
    • AKAZE
    • BRISK
    • ORB
    • KAZE
    • SURF
    • SIFT
    • MSER
    • FAST
    • STAR
    • MSD

  Такие существенные точки в изображении настолько полезны, потому что их сумма характеризует изображение и помогает выделять различные его части.

• Дескрипторы функций (Дескриптор-экстрактор):. После обнаружения ключевых точек мы продолжаем вычислять дескриптор для каждого из них. "Локальный дескриптор представляет собой компактное представление локальной окрестности точек. В отличие от глобальных дескрипторов, описывающих полный объект или облако точек, локальные дескрипторы пытаются походить на форму и внешний вид только в локальной окрестности вокруг точки и поэтому очень подходят для ее представления с точки зрения соответствия". (Dirk Holz et al.). Параметры OpenCV:

  • AKAZE
  • BRISK
  • ORB
  • KAZE
  • SURF
  • SIFT
  • FREAK
  • DAISY
  • LATCH
  • LUCID
  • BRIEF

• Оценка соответствия (дескриптор-сопряжение): Следующая задача - найти соответствия между ключевыми точками, найденными на обоих изображениях. Поэтому извлеченные функции помещаются в структуру, которая может быть эффективно исследована ( например kd-tree). Обычно достаточно искать все локальные дескрипторы функций и сопоставлять каждую из них со своим соответствующим аналогом с другим изображением. Однако из-за того, что два изображения с подобной сцены необязательно имеют одинаковое количество дескрипторов функций, поскольку одно облако может иметь больше данных, а другое, нам нужно запустить процесс отсроченного соответствия. Параметры OpenCV:

  • BF
  • FLANN

• Отклонение корреспонденции: Один из наиболее распространенных подходов к отказу от переписки - использование RANSAC (случайный примерный консенсус).

• Оценка трансформации: После вычисления надежных соответствий между двумя изображениями Absolute Orientation Algorithm используется для вычисления матрицы преобразования, которая применяется на входном изображении для соответствия эталонному изображению. Для этого существует множество различных алгоритмических подходов, общий подход: Разложение сингулярного значения (SVD).