局所特价の検出と抽出
。これらのアルゴリズムは，局所特性を使使用するするで，スケールの変変や，オクルージョンオクルージョンをを适切回転，オクルージョンオクルージョンなどをより适切ににでき.COMPUSER VISION TOOLBOX™では，コーナー特种検出法快速，哈里斯，ORBおよび史和TOMASI方法が，またブロブ特性の検出としてとしてはおよびmser法が用词ささています。ツールツールににはは。冲浪，kaze，freak，shrish，图库検出器や记述子はアプリケーションのニーズに応じて组み合わせることができます。
局所特价とは
〖图库“こことは异なるいう点がです。
我= imread（“circuit.tif”）;角落=侦探Fastfeatures（我，'mincontrast', 0.1);J = insertMarker(我,角落,'圆圈'）;imshow（j）
局所特徴の利点と用途
局所特徴を利用して,オクルージョンや表示条件の変化,煩雑さなどに関係なく,イメージの対応関係を見つけることができます。また,局所特徴のプロパティはイメージの分類にも適しています。袋视觉词语を用词たイメージの分享を参照してください。
局所特价の基本的ななには次のの2つがつがます。
イメージの繋ぎ合わせや3次元再構成のためにアンカーポイントを位置決めする。
検出や分类のために，イメージを分割せずにそのコンテンツをコンパクトに表现する。
| 用人 | MATLABの例 |
|---|---|
| イメージイメージのレジストレーションストレーションとと系ぎ | 特价に基因パノラマイメージのの系ぎ合 |
| オブジェクトの検出 | 特价点のマッチングを使た要素の多重シーンのの検出 |
| オブジェクトの认识 | HOG特价を使使用しし数码の分类 |
| オブジェクトの追跡 | kltアルゴリズムを使使用した颜の検出と追迹 |
| イメージカテゴリの認識 | 包的功能を使用したイメージカテゴリの分類 |
| ステレオステレオシステムの形状の判定 | キャリブレーションキャリブレーションされてていいないイメージ平行 |
| 3 次元再構成 | 2つのビューからの结构与运动，来自运动的结构 |
| 画像検索 | カスタマイズした袋特点をを用した画像検索 |
优れた局所特价とは
〖图库“
検出が缲り返し可である：
同じシーンのイメージが2つ与えられた場合,検出器により検出される両方のイメージの特徴の大半が同じになります。これらの特徴は表示条件やノイズ状況の変化に対してロバストです。特殊性がある：
特色の中心周辺周辺近傍には特殊间隔比较を可以位置付け可能である：
特徴に一意の位置を割り当てることが可能です。この位置は表示条件の変化による影響を受けません。
特徴検出と特徴抽出
“特价検検”とは，イメージ内でコーナーやなどなど选択コンテンツコンテンツもつをを选択ことです。特色検出で见つかっことです。特色検出后のの原因に点その后のもテーブルますますが必ずしもテーブルのなどのがもテーブルのなど物理构造に対応するとは限りません。特徴検出で重要なのは，回転やスケールの変化が生じてもその特徴を検出できるような，局所的な不変性を保つ特徴を见つけることです。
"特徴抽出"ではでは子が计算されますこれは通道，検出された特征の周りの领域行程记述子は，イメージ原因に基因て所なピクセル近傍をコンパクトベクトル表现ピクセルピクセルを。この新闻表现により，スケールスケール方向が変変した场でも近傍近傍の比较行えるになりなり.siftや冲浪などの记述子は，局所勾配などに依存します.briskやorb，freakなどのバイナリバイナリ子は，局所的な强度差のペア依存，これらは2値ベクトルににされます。
特徴検出器と記述子の選択
アプリケーションの条件とデータの特性を考慮したうえで,最適な特徴検出器と記述子を選択します。以下にある最初の表は,選択の際の一般的な基準を示しています。その後の2つの表は,计算机视觉工具箱で使用できる検出器と記述子の詳細を示しています。
検出器と記述子の選択のための考慮事項
| 基调 | 推奨 |
|---|---|
イメージ内の特价のタイプ |
データに適した検出器を使用します。たとえば,イメージにバクテリア細胞のイメージが含まれる場合,コーナー検出器ではなくブロブ検出器を使用してください。イメージが都市部の航空写真の場合には,コーナー検出器を用いて人工建造物を検出できます。 |
特徴を使用するコンテキスト:
|
猪，冲浪，およびkaze记述子は分类タスクに対して，ororに対してややいい类タスクにやていいタスクタスクやややははなどなどのバイナリ记述记述はを常のの点点のを见つけるにに使われれ対応见つけるために使われれ対応见つけるために使われれ使わなどに使使れます。 |
イメージに见られる歪みのタイプ |
たとえば，スケールの変ますと选択しししししししししししににははわ検出検出ののわて検出ののてて検出てて検出わわしにににしししししししししししししししししししできるししスケールスケールしスケールになどなどより强い歪みがデータに含ま场综合，冲浪，ORBやkaze特价検出およびおよび子ををし.surfm kaze法で，计算载物多重なり。 |
パフォーマンス要件：
|
一般に,バイナリ記述子は勾配ベースの記述子と比べて処理は高速ですが,正確度の面で劣ります。精度を高めるには,同時に複数の検出器と記述子を使用してください。 |
特徴のタイプに基づく検出関数の選択
メモ
关关は特性背部关键词关键词关联extractHOGFeaturesおよび关节提取物质は，これらのオブジェクトをを。
記述子メソッドの選択
| 记述子 | バイナリ | 关键词 | 不错 | 一般的な使用例 | ||
|---|---|---|---|---|---|---|
| スケール | 回転 | 点の対応関係の判定 | 分享 | |||
| 猪 | なし | extractHOGFeatures（我，......） |
なし | なし | なし | あり |
| LBP. | なし | ExtractLBPFeatures.（我，......） |
なし | あり | なし | あり |
| 冲浪 | なし | 提取物质（我，点，'方法'，'冲浪'） |
あり | あり | あり | あり |
| Kaze. | なし | 提取物质（我，点，'方法'，'Kaze.'） |
あり | あり | あり | あり |
| 怪物 | あり | 提取物质（我，点，'方法'，'怪物'） |
あり | あり | あり | なし |
| 轻快 | あり | 提取物质（我，点，'方法'，'轻快'） |
あり | あり | あり | なし |
| or | あり | 提取物质（我，点，'方法'，'or'） |
なし | あり | あり | なし |
|
なし | 提取物质（我，点，'方法'，'堵塞'） |
なし | なし | あり | あり |
メモ
関数
提取物质では，さまざまな抽出メソッドからのニーズに最も适したもの选択できます。关键提取物质に'方法'入力を指定しないない合书，关键词は点ののタイプににてメソッドをタイプタイプにてを自动的ににします。バイナリバイナリ子は短时空ささますが，位置付けの正式度が低しててて。关键词
提取物质はbinaryFeaturesオブジェクトを返し返し。このこのオブジェクト，关节matchfeatures.で使用されるハミング距离ベースのマッチングメトリクスが有效になります。
局所特价の使用
2つのイメージのレジストレーションをことこと，局所特种を简に把握できます。この例では，2つのイメージ间の几何ここを见つけます。たアンカーポイントを検出します。
2つのイメージを表示
最初のイメージが元のですです。
原始= imread ('cameraman.tif'）;图;imshow(原始);
2番目のイメージは,元のイメージを回転させてスケールを変更したものです。
规模= 1.3;J = imresize(原始、规模);θ= 31;扭曲= imrotate (J,θ);图imshow(扭曲)
元のイメージイメージとと歪んだイメージのででマッチ特徴を
歪んだイメージの修正に必要な変換を判断するには,まずマッチする冲浪特徴量を検出します。
ptsoriginal =探测器（原始）;ptsdistorted =检测（扭曲）;
特徴を抽出して2つのイメージ間で検出されたブロブを比較
。
[特征漫画，validptsoriginal] =......提取物（原始，冒号）;[具有截图，validptsdistorted] =......extractFeatures(扭曲,ptsDistorted);
记述记述の境界は近すぎる点弃却されるれる场がありますてててれるははありれる弃却の境界にははあり弃却の境界境界近ははれるれるとはははははははははははははととはははははははとははははははははははははははははははは价
記述子の計算に使用されるパッチサイズは,特徴抽出の処理中に決定されます。パッチサイズは特徴検出時のスケールに対応します。パッチサイズに関係なく,2つの特徴ベクトル特点逻辑および特点是は，そのその长さが等しくなるように计算されれようによってによってによってによってによってれれた徴のや回転にに系なくサイズや回転に系なくなくや回転回転に系なく
マッチ候補を検索
関数matchfeatures.に記述子を入力して特徴間のマッチ候補を取得します。マッチ候補とは,結果に無効なマッチも含まれる可能性があることを示唆しています。2つのパッチがマッチする場合,類似した特徴を示す場合もありますが,正しいマッチでない可能性もあります。テーブルの角が椅子の角のように見えることもありますが,この2つの特徴は明らかにマッチではありません。
IndexPairs = MatchFeatures（特征概述，具有截图）;
両方のイメージから点の位置を
返されたindexPairsの各行には，イメージ间における特性のマッチインデックスインデックス2つ含ま含まれいますます。
matchedoriginal = validptsoriginal（indexpairs（：，1））;matcheddistored = validptsdistorted（IndexPairs（:,2））;
マッチ候补を表示
图showMatchedFeatures(原始的、扭曲、matchedOriginal matchedDistorted)标题('候选人匹配点（包括异常值）'）
特徴の位置を解析
このシナリオでははます。关键词，关键词，十このははます。关键词estimationGeometricTransform2d.は,RANSACアルゴリズムのバリエーションであるM-estimator样品一致(MSAC)を実装します。MSACは,幾何学的変換を見つけてインライア(正しいマッチ)を外れ値(誤ったマッチ)から分離します。
[tform，inlieridx] = estimateGeometricTransform2D（......matcheddistorted，matchedoriginal，'相似'）;inlierdistortion = matcheddistortion (inlierIdx，:);inlierOriginal = matchedOriginal(inlierIdx，:);
マッチする点を表示
图ShowMatchedFeatures（原始，扭曲，inlieriginal，Inlierdistorted）标题（'匹配点（仅限最端）'） 传奇（“ptsOriginal”，“ptsDistorted”）
计算计算されたた几何的変换を确认
計算された幾何学的変換を歪んだイメージに適用します。
outputView = IMREF2D（大小（原始））;恢复= imwarp（扭曲，tform，'outputview'，OutputView）;
复元后のイメージと元のイメージを表示します。
图imshowpair(原始的,恢复,“蒙太奇”）
复数の特价ををたイメージのストレーション
この例では”,局所特徴の使用“の例の結果を基に説明を進めます。複数の検出器と記述子のペアを使用すると,得られた結果を組み合わせて補強することが可能です。複数のペアは1つの特徴検出器では十分な数の正しいマッチ(インライア)が得られない場合にも役立ちます。
元のイメージを読み込みます。
原始= imread ('cameraman.tif'）;图;imshow(原始);文本(大小(原始的,2),大小(原始的,1)+ 15,......'图片由马萨诸塞州理工学院提供，......'字体大小'7'水平对齐'，'对'）;
元のイメージのスケールを変更して回転させ,歪んだイメージを作成します。
规模= 1.3;j = imresize（原始，规模）;θ= 31;扭曲= imrotate (J,θ);图imshow(扭曲)
まず方向のしますをを検出します。まずし，冲浪検出器材。
ptsoriginalbrisk = DetectbriskFeatures（原版，'mincontrast', 0.01);ptsDistortedBRISK = detectBRISKFeatures(扭曲了,'mincontrast', 0.01);ptsoriginalsurf =检测训练（原创）;ptsdistortedsurf =检测训练（扭曲）;
元のイメージと歪んだからから子を抽出ます.briskの特色に，既定でfreak记述子が使用ささます。
[featuresOriginalFREAK, validPtsOriginalBRISK] =......提取物（原版，ptsoriginalbrisk）;[特征DistortedFreak，ValidptsDistortedBrisk] =......extractFeatures(扭曲,ptsDistortedBRISK);[featuresOriginalSURF, validPtsOriginalSURF] =......提取物（原版，ptsoriginalsurf）;[特征DistortedSurf，Validptsdistortedsurf] =......extractFeatures(扭曲,ptsDistortedSURF);
最初に狂記述子をマッチさせ,次に冲浪記述子をマッチさせて,マッチ候補を判定します。できる限り多くの特徴マッチを取得するには,まず検出器と記述子のしきい値を既定値よりも低くしてマッチングを開始します。機能する設定が見つかったら,しきい値を徐々に大きくして特徴の抽出とマッチングに必要な計算負荷を減らします。
indexPaessBrisk = MatchFeatures（特征inatiginalfreak，......featuresDistortedFREAK,“MatchThreshold”，40，'maxratio', 0.8);indexPairsSURF = matchFeatures (featuresOriginalSURF featuresDistortedSURF);
快活および浪ののマッチ点のを取得します。
matchedoriginalbrisk = validsoriginalbrisk（indexPaessBrisk（：，1））;matcheddistoredbrisk = validptsdistordbrisk（indexPaessBrisk（:,2））;matchedoriginalsurf = Validstsoriginalsurf（IndexPairsSurf（：，1））;matcheddistortedsurf = ValidptsDistortedSurf（IndexPairsSurf（:,2））;
快步のの推定マッチ可化ます。
图ShowMatchedFeatures（原始，扭曲，匹配的竞争激滑骨牌，......matcheddistoredbrisk）标题（“使用BRISK & FREAK进行假定匹配”） 传奇（“ptsOriginalBRISK”，“ptsDistortedBRISK”）
快および冲浪のマッチ候補の局所特徴を組み合わせます。地点プロパティを使使て，活跃と浪潮の特性からのの位置を组み组みます。
matchedOriginalXY =......[matchedOriginalSURF.Location;matchedOriginalBRISK.Location];matchedDistortedXY =......[matcheddistortedsurf.location;matcheddistoredbrisk.location];
快と冲浪の特徴のインライア点と幾何学的変換を判定します。
[tformTotal, inlierIdx] =......estimationGeometricTransform2D（MatchedDistortedXy，......matchedoriginalxy，'相似'）;inlier失真xy = matched失真xy (inlierIdx，:);inlierOriginalXY = matchedOriginalXY(inlierIdx，:);
结果を表示します。
图ShowMatchedFeatures（原始，扭曲，Inlieriginalxy，Inlierdistortedxy）标题（“使用SURF和BRISK匹配点(仅内饰)”） 传奇（“ptsOriginal”，“ptsDistorted”）
元のイメージと复元されたイメージを比较します。
outputView = IMREF2D（大小（原始））;恢复= imwarp（扭曲，Tformtotal，'outputview'，OutputView）;图;imshowpair（原始，恢复，“蒙太奇”）
参照
[1]罗斯滕，E.和T. Drummond。“机器学习高速角检测。”第9欧洲电脑愿景会议。卷。1,2006，pp。430-443。
[2] mikolajczyk，K。和C.施密。“绩效评估本地描述符。”图案分析与机器智能的IEEE交易。卷。27，第10次，2005年，第1615.1630页。
[3]哈里斯，C.和M. J. J. Stephens。“一个组合的角落和边缘探测器。”第四届Alvey Vision会议的诉讼程序。1988年8月，第147-152页。
[4] Shi，J.和C. Tomasi。“追踪的好功能。”计算机愿景和模式识别的IEEE会议的诉讼程序。1994年6月，第593-600六月。
[5] Tuytelaars，T.和K.Mikolajczyk。“本地不变特征探测器：调查。”计算机图形和愿景的基础和趋势。卷。3，第3,2007号，第177-280页。
[6] Leutenegger，S.，M.Chli和R. Siegwart。“快速：二进制强大的不变可伸缩关键点。”IEEE国际会议的诉讼程序。ICCV，2011年。
[7] Nister, D.和H. Stewenius。线性时间最大稳定极值区域第十届欧洲计算机视觉会议。法国马赛:2008年，第5303期，页183-196。
[8] Matas，J.，O. Chum，M. Urba和T.Pajdla。“来自最大稳定的极值区域的强大宽基线立体声。”英国机器愿景会议的常规。2002，第384-396页。
[9] Obdrzalek D.，S. Basovnik，L. Mach和A. Mikulik。“检测使用最大稳定的颜色区域的场景元素。”计算机和信息科学的通信。La Fertce-Bernard，法国：2009，Vol。82 CCIS（2010年12 01），PP。107-115。
[10] Mikolajczyk，K.，T.Tuytelaars，C.Schmid，A. Zisserman，T. Kadir和L. Van Gool。“仿射区探测器的比较。”国际计算机愿景杂志。卷。65，2005年11月1日至2日，第43-72页。
[11]湾，H.，A.ESS，T. Tuytelaars和L. Van Gool。“冲浪：加速强大的功能。”计算机视觉和图像理解（CVIU）。卷。110，第3,2008号，第346.359。346-359。
Alcantarilla, p.f.， A. Bartoli和A.J. Davison。“KAZE功能”，ECCV 2012，第6部分，LNCS 7577页，214,2012
[13] Rublee，E.，V.Rabaud，K. Konolige和G. Bradski。“ORB：筛选或冲浪的有效替代品。”在2011年2011年国际计算机愿景会议上，2564-2571的诉讼程序中。巴塞罗那，西班牙，2011年。
関連するトピック
您还可以从以下列表中选择一个网站：
