• 考虑颜色信息的特征描述符----学习笔记

    1. sift，surf在对图像进行处理的过程中，都把图像转换为了灰度图像进行处理，会丢失颜色信息。
    2. 特征的特点：
      1. 最有区分度，最有代表性的应该尽可能减少冗余的信息。
      2. 尽可能的稳定和鲁棒：对于同样的物体，当加入噪声或对图像进行旋转、尺度变换后，这个变量的值应该是尽可能不变的。
        1. 评价一个描述子是否鲁棒：看图像被加入噪声后，形成的描述子是否依然稳定（即特征的各维是否不发生变化）。
        2. 常使用的噪声：
          1. 灰度上尺度的变化：乘上一个矩阵（矩阵元素数值相同）
          2. 灰度产生增量（即混入白光）：加上一个矩阵（矩阵元素数值相同）
          3. 同时发生尺度和增量变化（矩阵元素数值相同）
          4. 各颜色分量发生不同尺度的变化：（矩阵元素数值不同）
          5. 各分量发生完全不同的变化：（矩阵元素数值不同）
        3. SIFT和SURF对噪声1-3具有不变性，原因：
          1. 采用梯度的直方图
          2. RGB的线性变化不影响梯度的方向
          3. 最终都对描述子向量做了归一化，解决了灰度的尺度变化。
    3. 颜色特征：
      1. RGB histogram：不具有不变性
      2. Hue histogram：对灰度的尺度变化和增量变化具有不变性，即HSV颜色空间对于RGB颜色空间具有一定优势。
      3. transformed colorhistogram：对rgb三个通道分别做归一化：通过减去均值抵消各通道的valueshift，通过除以方差抵消各通道的value scale change。（均值和方差以待统计的块为单位进行计算。）归一化后的直方图对于颜色变化和shift具有不变性。
    4. 将上方提到的颜色特征考虑到sift/surf：传统的SIFT/SURF描述子是对单通道进行统计的，当需要对颜色特征进行统计时，需要对多个通道分别计算描述子，最后形成一个多维的特征作为颜色描述子。
  • 相关阅读:
    NFV概述
    编写竞赛程序
    深度｜谁在为OpenAI和Anthropic的AI编程竞赛提供“军火”？已赚得盆满钵满
    浅谈C++|STL之string篇
    【鸿蒙】 模拟器运⾏
    Docker核心概念
    Docker 安装 Nginx容器 配置以及重新生成镜像
    使用docker 搭建 zerotier服务器 实现异地组网
    分布式架构的监控与指标
    Eclipse的MAT的支配树
  • 原文地址：https://blog.csdn.net/weixin_45647721/article/details/126883289