角点检测算法及其描述子评估介绍
2015-11-30 13:53
197 查看
我以前的博客里面介绍了大量的角点检测算法和其局部描述子设计方法,这里将摘录其各自的论文和相关综述文章内的实验估评估,然后给出自己的一些总结。(特别多的图>O<)
一、角点检测子的效果评估
1.1 Harris同SIFT、FAST、SURF等角点检测方法匹配效果
1.2 S-LOCOCO同Harris及KLT的比较
1.3 FAST同其它方法的比较
1.4 各类基于曲线的角点检测方法比较
在基于图像像素的角点检测方法里FAST-9及FAST-ER方法对于图像旋转、尺度变化具有较高的稳定性,但是其对于噪声非常敏感,噪声过多能极大影响其匹配率,包括近来的许多检测匹配方法(ORB、BRISK、KAZE等)都是利用FAST-9方法作为角点检测子。而DOG算子(Hessian矩阵)对于噪声具有较高鲁棒性,所以SIFT方法选择这个角点检测子,其次SUSAN对于噪声也有一定鲁棒。另外我们可以发现的对于不同图像集,其各类方法的评估结果并不一定相同,每类图像都有其最优的角点检测方法。
对于基于曲线边缘的角点检测方法来说,因为边缘条件的限制,其不仅定位准确,而其对尺度、旋转、噪声变换都有非常好鲁棒性,因但为其非常依赖于边缘提取的结果,所以很难去与其检测方法评估,其一般是通过由Canny方法提取的边缘来进行角点检测,近年来,GCM所能达到效果最优。
二、各类描述子评估
描述子评估主要是评估图像在经过不同变换后,其匹配的正确率,其定义为:
其错误率定义:
一、角点检测子的效果评估
1.1 Harris同SIFT、FAST、SURF等角点检测方法匹配效果
1.2 S-LOCOCO同Harris及KLT的比较
1.3 FAST同其它方法的比较
1.4 各类基于曲线的角点检测方法比较
1.5角点检测子评估总结
在基于图像像素的角点检测方法里FAST-9及FAST-ER方法对于图像旋转、尺度变化具有较高的稳定性,但是其对于噪声非常敏感,噪声过多能极大影响其匹配率,包括近来的许多检测匹配方法(ORB、BRISK、KAZE等)都是利用FAST-9方法作为角点检测子。而DOG算子(Hessian矩阵)对于噪声具有较高鲁棒性,所以SIFT方法选择这个角点检测子,其次SUSAN对于噪声也有一定鲁棒。另外我们可以发现的对于不同图像集,其各类方法的评估结果并不一定相同,每类图像都有其最优的角点检测方法。
对于基于曲线边缘的角点检测方法来说,因为边缘条件的限制,其不仅定位准确,而其对尺度、旋转、噪声变换都有非常好鲁棒性,因但为其非常依赖于边缘提取的结果,所以很难去与其检测方法评估,其一般是通过由Canny方法提取的边缘来进行角点检测,近年来,GCM所能达到效果最优。
二、各类描述子评估
描述子评估主要是评估图像在经过不同变换后,其匹配的正确率,其定义为:
其错误率定义:
相关文章推荐
- test
- VMware网络连接的三种模式
- iOS学习之单例模式
- 测试密码的强度
- 常用正则
- ABAP动态内表ALV
- Android ListView焦点事件冲突问题与解决
- webService 服务端与客户端的Demo
- 设置超过父视图视图隐藏
- spring开发中commons-logging.jar包的功能
- AutoCAD2008+objectARX二次开发
- Android中Parcelable和Serializable接口用法
- curl命令详解
- git 提交大文件错误解决办法
- 运算符优先级-C++运算符优先级
- Eclipse SVN 插件使用
- vb.net 写入文件同步锁
- UESTC 1063 小根堆
- HTTP协议处理流程
- spring DATA (jpa) @query 和JdbcTemplate