局部不变特征 转载 https://blog.csdn.net/qican_7/article/details/79431016

局部不变特征

目前绝大多数景物匹配算法提取的都是全局不变特征，它能很好解决同一目标的一致性判决问题，但很难消除图像的成像畸变。当图像之间的成像畸变很复杂时，利用全局信息进行匹配非常困难，特别是存在局部遮挡时，全图特征会随之变化。

基于以上特点，红外图像的匹配识别与跟踪一般都是基于特征的方法，一般都是采用局部不变特征来对红外图像进行处理识别。

局部特征提取，即，将图像整体分割成若干个组成部分，对每一部分提取全局特征。此处的分割并不是我们直观认为的分割，理想情况下，人们总希望局部特征对应客观世界的物体的一部分，但是这是不现实的，往往需要借助图像处理技术对高层场景进行理解。

---

局部稳定特征有：

1. 角点特征
2. 边缘特征
3. 直线特征
4. 纹理特征
5. 基于以上特征构建的特征

特征提取步骤：

1. 局部不变特征检测：检测特征的位置————检测子算法
2. 局部不变特征描述：定量化数据描述方法——描述子算法

不变特征检测算法

• 角点检测算子 
  
  • Harris
  • SUSAN
  • CSS
  • FAST（features from accelerated segment test） 等
• 斑点检测算子 
  
  • DoG（高斯差分算子）
  • Multi-Scale Harris
  • SIFT
  • SURF等
• 区域检测子 
  
  • Salient Region
  • EBR
  • IBR
  • MSER
  • Hessian-Affine
  • Harrise-Affine等

---

特征描述算子

特征描述算子是一种图像局部结构特征的定量化数据描述，它应该能充分反应特征点附近图像的形状和纹理结构特性。

一个理想的特征描述子应该具有以下特征：

1. 鲁棒性：仿射变换/密度变换/噪声干扰下具有稳定工作的能力
2. 独特性：局部结构发生变化时，具有捕获和反应这一变化的能力
3. 匹配速度：相似性比较时的运算速度，特征空间维数越高，速度越差

描述子分类：

• 基于图像梯度分布（SIFT）
• 基于空间频率

 

• 基于微分和不变矩

参考：http://blog.csdn.net/horseinch/article/details/51819448