图像特征与描述（2）

引言

笔记总结。

1、Haar-like特征的快速计算： 积分图

• Haar-like特征分为： 边缘特征、 线性特征、中心特征和对角线特征， 这些特征组合成特征模板。
• 特征模板内有白色和黑色两种矩形， 并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。
• Haar特征值反映了图像的灰度变化情况。

2、局部特征： SURF

• $SURF（Speeded-Up Robust Features ）$ 算子是 $Herbert Bay$等人在2006年提出的， 它是对SIFT的改进， 可将速度提高3倍。
• $SURF$主要是把 $SIFT$中的某些运算作了简化。
  • $SURF$把 $SIFT$中的高斯二阶微分的模板进行了简化， 使得卷积平滑操作仅需要转换成加减运算。
  • 在方向确定阶段， 在圆形区域计算 $x， y$方向的 $haar$小波响应， 找到模最大的扇形方向。
• 为了找出图像中的特征点， 需要对原图进行变换， 变换图就是原图每个像素的Hessian矩阵行列式的近似值构成的。
• 求 $Hessian$时要先高斯平滑， 然后求二阶导数，这对于离散的像素点而言， 是用模板卷积形成的， 这两种操作合在一起用一个 $Haar$模板代替就可以了.

• 为了保证旋转不变性， 在SURF中， 统计特征点领域内的Haar小波特征。
• 即以特征点为中心， 计算半径为6s(s为特征点所在的尺度值)的邻域内， 统计60度扇形内所有点在x(水平)和y(垂直)方向的Haar小波响应总和。
• 然后60度扇形以一定间隔进行旋转， 最后将最大值那个扇形的方向作为该特征点的主方向。

3、ORB特征描述

SIFT与SURF计算复杂， 难以用于实时性特征检测， 更何况SIFT与SURF以前还是收费的……ORB特征基于FAST角点的特征点检测与BRIEF特征描述技术。FAST核心思想就是找出那些卓尔不群的点，即拿一个点跟它周围的点比较，如果它和其中大部分的点都不一样就可以认为它是一个特征点。

ORB的基本思路:

• 它是对FAST角点与BRIEF特征描述子的一种结合与改进。
• FAST角点检测的缺点是：
  • 缺乏尺度不变性的；
  • 可以通过构建高斯金字塔， 然后在每一层金字塔图像上检测角点， 来实现尺度不变性；
• BRIEF的缺点是
  • 缺乏旋转不变性的；
  • 需要给BRIEF加上旋转不变性。

4、BRIEF

BRIEF算法的核心思想是在关键点P的周围以一定模式选取N个点对，把这N个点对的比较结果组合起来作为描述子。 BRIEF需要先平滑图像， 然后在特征点周围选择一个Patch， 在这个Patch内通过一种选定的方法来挑选出来 $n_d$个点对。 比较点对中两点像素的大小， 进行如下赋值.具体来讲分为以下几步。
1.以关键点P为圆心，以d为半径做圆O。
2.在圆O内某一模式选取N个点对。这里为方便说明，N=4，实际应用中N可以取512.
假设当前选取的4个点对如上图所示分别标记为： $P_1(A,B)、 P_2(A,B)、 P_3(A,B)、 P_4(A,B)$3.定义操作 $\tau$ $\tau (p;x,y)= -\begin{cases} 1& \text{ \quad if p(x)<p(y)}\\ 0& \text{ \quad otherwise} \end{cases}$ 4.分别对已选取的点对进行 $\tau$操作，将得到的结果进行组合。
假如： $\tau(P_1(A,B)) =1$ $\tau(P_2(A,B)) =0$ $\tau(P_3(A,B)) =1$ $\tau(P_4(A,B)) =1$则最终的描述子为： $1011$

• 所有nd个点对， 都进行比较之间， 我们就生成了一个nd长的二进制串。
• 点对的生成方式（共有5种）
  • 1、 X和Y都服从在 $[-S/2，S/2]$范围内的均匀分布，且相互独立；
  • 2、 X和Y都服从均值为0， 方差为 $S^2/25$的高斯分 布， 且相互独立， 即 $X$和 $Y$都以原点为中心， 进行同方差的高斯分布；

5、ORB对BRIEF的改进

• ORB在计算BRIEF描述子时建立的坐标系是以关键点为圆心， 以关键点和取点区域的形心（圆形） 的连线为X轴建立坐标系。
  
• 计算形心时， 圆形区域上每个点的“质量” 是其对应的像素值。

在左图中， $P$为关键点。圆内为取点区域，每个小格子代表一个像素。现在我们把这块圆心区域看做一块木板，木板上每个点的质量等于其对应的像素值。根据积分学的知识我们可以求出这个密度不均匀木板的质心 $Q$。计算公式如下。其中 $R$为圆的半径。 $M_{00}=\sum_{X=-R }^{R}\sum_{Y=-R }^{R} I(x,y)$
$M_{10}=\sum_{X=-R }^{R}\sum_{Y=-R }^{R}x I(x,y)$
$M_{01}=\sum_{X=-R }^{R}\sum_{Y=-R }^{R}y I(x,y)$
$Q_x=\frac{M_{10}}{M_{00}}\, , \quad Q_y=\frac{M_{01}}{M_{00}}$
这里求解质心啥的当年作为考研边角知识张宇、汤家凤讲的老详细了。
圆心是固定的而且随着物体的旋转而旋转。当以 $PQ$作为坐标轴时（右图），在不同的旋转角度下，再以同一取点模式取出来的点是一致的。这就解决了旋转一致性的问题。

特征点的匹配

ORB算法最大的特点就是计算速度快 。 这首先得益于使用FAST检测特征点，FAST的检测速度正如它的名字一样是出了名的快。再次是使用BRIEF算法计算描述子，该描述子特有的2进制串的表现形式不仅节约了存储空间，而且大大缩短了匹配的时间。
例如特征点A、B的描述子如下。
$A：10101011 \\ B：10101010$
设定一个阈值，比如 $80\%$。当 $A$和 $B$的描述子的相似度大于 $90\%$时，判断 $A,B$是相同的特征点，即这2个点匹配成功。在这个例子中 $A,B$只有最后一位不同，相似度为 $87.5\%$，大于 $80\%$。则 $A$和 $B$是匹配的。
将A和B进行异或操作就可以轻松计算出A和B的相似度。而异或操作可以借组硬件完成，具有很高的效率，加快了匹配的速度。

6、其他特征提取-LBP

Local Binary Pattern-LBP，LBP特征具有灰度不变性和旋转不变性等显著优点。原始的LBP算子定义在像素33的邻域内，以邻域中心像素为阈值，相邻的8个像素的灰度值与邻域中心的像素值进行比较，若周围像素大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，33邻域内的8个点经过比较可产生8位二进制数，将这8位二进制数依次排列形成一个二进制数字，这个二进制数字就是中心像素的LBP值，LBP值共有 $2^8$种可能，因此LBP值有256种。中心像素的LBP值反映了该像素周围区域的纹理信息。
备注：计算LBP特征的图像必须是灰度图，如果是彩色图，需要先转换成灰度图。

• LBP（局部二值模式）
  • 将每个像素点与周围点大小比较
  • 半径为R的圆上， 均匀采样P个点
  • 大小量化为0或1
• 多个bit组成一个数， 统计每个数的直方图

$LBP(x_c,y_c)=\sum_{p=0 }^{p-1}2^ps(i_p-i_c)$ $s(x)=\begin{cases} 0& \text{x<0}\\ 1& \text{else} \end{cases}$ $(xc,yc)$为中心像素的坐标， $p$为邻域的第 $p$个像素， $i_p$为邻域像素的灰度值， $i_c$为中心像素的灰度值， $s(x)$为符号函数.

• 为解决旋转不变性的问题； 将LBP周围的二进制码（如11110001） 按位旋转， 取二进制码最小的值为最终LBP值。
• 如： 对于 $11110001$情况， 我们按位旋转， 得到 $11100011,11000111,10001111,0001111,00111110,01111100,11111000$七个不同的二进制数， 最小值为 $00011111$。

改进的LBP：
将 3×3 邻域扩展到任意邻域， 并用圆形邻域代替了正方形邻域， 这种LBP特征叫做 $Extended LBP$， 也叫 $Circular LBP$。由于原始LBP特征使用的是固定邻域内的灰度值，因此当图像的尺度发生变化时，LBP特征的编码将会发生错误，LBP特征将不能正确的反映像素点周围的纹理信息，因此研究人员对其进行了改进[3]。基本的 LBP 算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域，这显然不能满足不同尺寸和频率纹理的需要。为了适应不同尺度的纹理特征，并达到灰度和旋转不变性的要求，Ojala 等对 LBP 算子进行了改进，将 3×3 邻域扩展到任意邻域，并用圆形邻域代替了正方形邻域，改进后的 LBP 算子允许在半径为 R 的圆形邻域内有任意多个像素点。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子：

使用可变半径的圆对近邻像素进行编码 .对于给定中心点 $(xc,yc)$，其邻域像素位置为 $(xp,yp)，p∈P$，其采样点 $(xp,yp)$用如下公式计算： $x_p=x_c+Rcos(\frac{2\pi P}{P})\\y_p=y_c+Rsin(\frac{2\pi P}{P})$ $R$是采样半径， $p$是第 $p$个采样点， $P$是采样数目。由于计算的值可能不是整数，即计算出来的点不在图像上，我们使用计算出来的点的插值点。目的的插值方法有很多，Opencv使用的是双线性插值，双线性插值的公式如下：

通过LBP特征的定义可以看出，LBP特征对光照变化是鲁棒的.
LBP及其改进参考博客

7、其他特征提取-Gabor

Gabor 特征是一种可以用来描述图像纹理信息的特征，Gabor 滤波器的频率和方向与人类的视觉系统类似，特别适合于纹理表示与判别。Gabor是一个用于边缘提取的线性滤波器， 其频率和方向表达与人类视觉系统类似， 能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感；十分适合纹理分析；使用一个三角函数与一个高斯函数叠加就得到了一个Gabor滤波器，如图所示。

Gabor滤波器组

• Gabor 滤波器组类似于人类的视觉系统
  • 多频率/尺度
  • 多方向
• Gabor 滤波器
  • 频域： 属于加窗傅立叶变换
  • 空域： 一个高斯核函数和正弦平面波的乘积

Gabor滤波器组
• 3尺度
• 8方向

8、代码实现

SURF

import numpy as np
import cv2 as cv
img = cv.imread('butterfly.jpg',0)

surf = cv.xfeatures2d.SURF_create(400)

# kp, des = surf.detectAndCompute(img,None)
surf.setHessianThreshold(50000)

kp, des = surf.detectAndCompute(img,None)

img2 = cv.drawKeypoints(img,kp,None,(255,0,0),4)
cv.imshow('surf',img2)
cv.waitKey(0)
cv.destroyAllWindows()

ORB

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
img1 = cv.imread('box.png',0)          # queryImage
img2 = cv.imread('box_in_scene.png',0) # trainImage
# Initiate ORB detector
orb = cv.ORB_create()
# find the keypoints and descriptors with ORB
kp1, des1 = orb.detectAndCompute(img1,None)
kp2, des2 = orb.detectAndCompute(img2,None)

# create BFMatcher object
bf = cv.BFMatcher(cv.NORM_HAMMING, crossCheck=True)
# Match descriptors.
matches = bf.match(des1,des2)
# Sort them in the order of their distance.
matches = sorted(matches, key = lambda x:x.distance)
# Draw first 10 matches.
img3 = cv.drawMatches(img1,kp1,img2,kp2,matches[:20],None, flags=2)
plt.imshow(img3),plt.show()

从这看，ORB的效果是真的好，速度又快，旋转一致性的解决也很明显。