SIFT+HOG+鲁棒统计+RANSAC

  今天的计算机视觉课老师讲了不少内容，不过都是大概讲了下，我先记录下，细讲等以后再补充。

   SIFT特征：

               尺度不变性：用不同参数的高斯函数作用于图像（相当于对图像进行模糊，得到不同尺度的图像），用得到的图像作差，找极值（相

        当于穷举不同尺度空间的图像，找其特征点，在不同尺度下，都在极值范围之内，故能满足尺度不变性。

              然后要找到极值点的位置，对其进行定位。

              然后对极值进行描述。

              旋转不变性：用梯度方向来表示极值点的方向，定义主方向能保证旋转不变性。

              光照不变性

      SIFT的特征点检测是在DOG图像上进行的，关于DOG可参考：http://blog.csdn.net/abcjennifer/article/details/7639488，解释得很清楚。

      这篇博文http://www.zhizhihu.com/html/y2010/2146.html主要说了尺度空间和图像金字塔间的差别：尺度空间实际上就是平滑，像素不变；金字塔则是对图像进行降采样，像素降低。

      

int main(int argc, char* argv[])
{
    Mat img_1 = imread("basketball.jpg", CV_LOAD_IMAGE_GRAYSCALE);//宏定义时CV_LOAD_IMAGE_GRAYSCALE=0，也就是读取灰度图像
    Mat img_2 = imread("basketball2.jpg", CV_LOAD_IMAGE_GRAYSCALE);//一定要记得这里路径的斜线方向，这与Matlab里面是相反的
    if (!img_1.data || !img_2.data)//如果数据为空
    {
        cout << "opencv error" << endl;
        return -1;
    }
    cout << "open right" << endl;
    
    //第一步，用SIFT算子检测关键点

    SiftFeatureDetector detector;//构造函数采用内部默认的
    std::vector<KeyPoint> keypoints_1, keypoints_2;//构造2个专门由点组成的点向量用来存储特征点

    detector.detect(img_1, keypoints_1);//将img_1图像中检测到的特征点存储起来放在keypoints_1中
    detector.detect(img_2, keypoints_2);//同理

    //在图像中画出特征点
    Mat img_keypoints_1, img_keypoints_2;

    drawKeypoints(img_1, keypoints_1, img_keypoints_1, Scalar::all(-1), DrawMatchesFlags::DEFAULT);//在内存中画出特征点
    drawKeypoints(img_2, keypoints_2, img_keypoints_2, Scalar::all(-1), DrawMatchesFlags::DEFAULT);

    imshow("sift_keypoints_1", img_keypoints_1);//显示特征点
    imshow("sift_keypoints_2", img_keypoints_2);
    
    //计算特征向量
    SiftDescriptorExtractor extractor;//定义描述子对象

    Mat descriptors_1, descriptors_2;//存放特征向量的矩阵

    extractor.compute(img_1, keypoints_1, descriptors_1);//计算特征向量
    extractor.compute(img_2, keypoints_2, descriptors_2);

    //用burte force进行匹配特征向量
    BruteForceMatcher<L2<float>>matcher;//定义一个burte force matcher对象
    vector<DMatch>matches;
    matcher.match(descriptors_1, descriptors_2, matches);

    //绘制匹配线段
    Mat img_matches;
    drawMatches(img_1, keypoints_1, img_2, keypoints_2, matches, img_matches);//将匹配出来的结果放入内存img_matches中

    //显示匹配线段
    imshow("sift_Matches", img_matches);//显示的标题为Matches

    waitKey(0);
    return 0;
}

具体可参考：http://www.cnblogs.com/tornadomeet/archive/2012/08/16/2643168.html

   HOG：梯度直方图。SIFT特征的前三步。

HOG与SIFT:

HOG可先参考这位博主：http://blog.csdn.net/abcjennifer/article/details/7365651，通俗的介绍了HOG：

通俗的讲：

HOG特征提取方法就是将一个image：

1.            灰度化（将图像看做一个x,y,z（灰度）的三维图像）

2.            划分成小cells（2*2）

3.            计算每个cell中每个pixel的gradient（即orientation）

4.            统计每个cell的梯度直方图（不同梯度的个数），即可形成每个cell的descriptor

这篇博文以图解的形式介绍了opencv源码中的一些参数：http://blog.csdn.net/raodotcong/article/details/6239431

   HOG与SIFT的区别

    HOG和SIFT都是描述子，以及由于在具体操作上有很多相似的步骤，所以致使很多人误认为HOG是SIFT的一种，其实两者在使用目的和具体处理细节上是有很大的区别的。HOG与SIFT的主要区别如下：

(1)SIFT是基于关键点特征向量的描述。

(2)HOG是将图像均匀的分成相邻的小块，然后在所有的小块内统计梯度直方图。

(3)SIFT需要对图像尺度空间下对像素求极值点，而HOG中不需要。

(4)SIFT一般有两大步骤，第一个步骤对图像提取特征点，而HOG不会对图像提取特征点。

 HOG的优缺点

优点：

(1)HOG表示的是边缘(梯度)的结构特征，因此可以描述局部的形状信息；

(2)位置和方向空间的量化一定程度上可以抑制平移和旋转带来的影响；

(3)采取在局部区域归一化直方图，可以部分抵消光照变化带来的影响；

(4)由于一定程度忽略了光照颜色对图像造成的影响，使得图像所需要的表征数据的维度降低了；

(5)而且由于这种分块分单元的处理方法，也使得图像局部像素点之间的关系可以很好得到表征。

缺点：

(1)描述子生成过程冗长，导致速度慢，实时性差；

(2)很难处理遮挡问题；

(3)由于梯度的性质，该描述子对噪点相当敏感。

具体可参考：http://www.cnblogs.com/zhazhiqiang/p/3595266.html

 

  鲁棒统计

   Hough变换：举例说明吧。怎么用一系列点来确定一条直线。

                     每两个点确定k,b（斜率和截距），然后统计k,b的数量。相当于用每两个点进行投票，谁的票多，最后就能确定k,b

                     这个解释通俗易懂 http://www.cnblogs.com/smartvessel/archive/2011/10/20/2218654.html

  RANSAC:

                   说下大致算法吧，同样举例说明。

                    随机选两个点作出模型，计算内点到此模型的距离之和。

                    重复上述过程，选出距离最小的那个模型。

                    参考：http://www.cnblogs.com/xrwang/archive/2011/03/09/ransac-1.html