image-processing - 特徴検出と記述子抽出の違いは何ですか?

Question

OpenCV 2.3 での特徴検出と記述子抽出の違いを知っている人はいますか?

DescriptorMatcher を使用したマッチングには後者が必要であることを理解しています。その場合、FeatureDetection は何に使用されますか?

Answer 1

特徴検出

• コンピューター ビジョンと画像処理では、特徴検出の概念は、画像情報の抽象化を計算し、すべての画像ポイントで特定のタイプの画像特徴があるかどうかを局所的に決定することを目的とする方法を指します。結果として得られる特徴は、画像ドメインのサブセットであり、多くの場合、孤立した点、連続した曲線、または接続された領域の形になります。

  特徴検出 = 画像内の興味深い点 (特徴) を見つける方法。(たとえば、コーナーを見つけたり、テンプレートを見つけたりします。)

特徴抽出

• パターン認識と画像処理では、特徴抽出は次元削減の特殊な形式です。アルゴリズムへの入力データが大きすぎて処理できず、悪名高い冗長性が疑われる場合 (データは多いが情報は少ない)、入力データは特徴の縮小表現セット (特徴ベクトルとも呼ばれます) に変換されます。 . 入力データを一連の特徴に変換することを、特徴抽出と呼びます。抽出される特徴が慎重に選択されている場合、フルサイズの入力の代わりにこの縮小された表現を使用して目的のタスクを実行するために、特徴セットが入力データから関連情報を抽出することが期待されます。

  特徴抽出 = 画像内の他の興味深い点 (特徴) と比較するために見つけた興味深い点をどのように表現するか。(たとえば、この点の局所領域強度?点周辺領域の局所方位?など)

実用的な例: ハリス コーナー メソッドでコーナーを見つけることができますが、任意の方法で記述することができます (たとえば、8 番目の隣接のヒストグラム、HOG、ローカル方向)。

このウィキペディアの記事で、さらに詳しい情報を確認できます。

Answer 2

Feature Detectionとの両方Feature descriptor extractionが の一部ですFeature based image registration。彼らの仕事が何であるかを理解するために、特徴ベースの画像登録プロセス全体のコンテキストで彼らを見ることだけが理にかなっています。

機能ベースのレジストレーション アルゴリズム

PCL ドキュメントの次の図は、そのような登録パイプラインを示しています。

1. データ取得:入力画像と参照画像がアルゴリズムに入力されます。画像は、わずかに異なる視点から同じシーンを表示する必要があります。

2. キーポイント推定 (特徴検出):キーポイント (関心点) は、次の特性を持つポイント クラウド内のポイントです。

   1. 明確で、できれば数学的に十分に根拠のある定義を持っている。
   2. 画像空間内で明確に定義された位置にあり、
   3. 関心のあるポイント周辺のローカル イメージ構造は、ローカル情報コンテンツの点で豊富です。
      OpenCVFeature detectionには、次のような のいくつかの実装が付属しています。
   • 赤瀬
   • ブリスク
   • オーブ
   • 風
   • サーフ
   • ふるいにかける
   • MSER
   • 速い
   • 星
   • MSD

画像内のこのような顕著な点は、それらの合計が画像を特徴付け、そのさまざまな部分を区別できるようにするのに役立つため、非常に便利です。

4. 特徴記述子 (記述子エクストラクタ):キーポイントを検出した後、それらのすべての記述子を計算します。「ローカル記述子は、ポイントのローカル近傍のコンパクトな表現です。完全なオブジェクトまたはポイントクラウドを記述するグローバル記述子とは対照的に、ローカル記述子は、ポイントの周囲のローカル近傍でのみ形状と外観に似せようとするため、それを表現するのに非常に適していますマッチング的に。」（ダーク・ホルツら）。OpenCV オプション:

   • 赤瀬
   • ブリスク
   • オーブ
   • 風
   • サーフ
   • ふるいにかける
   • フリーク
   • デイジー
   • ラッチ
   • ルシッド
   • 簡単に

5. 対応推定 (記述子マッチャー):次のタスクは、両方の画像で見つかったキーポイント間の対応を見つけることです。したがって、抽出された特徴は、効率的に検索できる構造 ( kd ツリーなど) に配置されます。通常、すべてのローカル特徴記述子を調べて、それらのそれぞれを他の画像の対応する対応物と照合するだけで十分です。ただし、類似のシーンからの 2 つの画像は、一方のクラウドが他方よりも多くのデータを持つことができるため、必ずしも同じ数の特徴記述子を持っているとは限らないという事実により、個別の対応拒否プロセスを実行する必要があります。OpenCV オプション:

   • BF
   • フラン

6. コレスポンデンス拒否: コレスポンデンス拒否を実行する最も一般的なアプローチの 1 つは、RANSAC (ランダム サンプル コンセンサス) を使用することです。

7. 変換推定: 2 つの画像間のロバスト対応が計算Absolute Orientation Algorithmされた後、参照画像と一致するように入力画像に適用される変換行列を計算するために使用されます。これを行うには、さまざまなアルゴリズムのアプローチがあります。一般的なアプローチは、特異値分解(SVD) です。