|
BRIEF特征全称:Binary Robust Independent Elementary Features。是一种能够快速计算图像特征描述符的方法,同样能够降低特征匹配的时间。
算法计算步骤如下:
1.首先对一张图像计算其特征点,这里就用matlab自带的harris角点检测了,harris代码细节可以参考这一篇博客。
2.对图像进行高斯滤波,这里选用9*9矩阵,主要是为了去除随机噪点。
3.以特征点为中心,取SxS的邻域窗口。在窗口内随机选取一对(两个)点,比较二者像素的大小,进行如下二进制赋值。
其中,p(x),p(y)分别是随机点x=(u1,v1),y=(u2,v2)的像素值。
4.选窗口内随机点对的策略有以下五种方法,推荐第二种:
对应的邻域随机点对图像如下(一条线段的两个端点是一对):
5.最终就得到了多组二进制编码,后续匹配可以利用编码距离来确定特征点的相似度。
一定要注意的是后续匹配要选用相同的点对,所以这组点对是要保留的。
matlab代码如下:
- clear all;
- close all;
- clc;
- R = 48; %特征邻域窗口直径
- K = 9; %高斯滤波半径
- N = 256; %特征位数
- img=imread('lena.jpg');
- imshow(img)
- [h,w]=size(img);
- p = detectHarrisFeatures(img); %系统自带的检测harris角点
- p = p.Location;
- p = p(p(:,1)>R & p(:,1)<h-R & ... %将太靠近边界的特征点去掉,避免邻域随机点越界
- p(:,2)>R & p(:,2)<w-R,:);
- H=fspecial('gaussian',[K K],2); %高斯平滑
- img=imfilter(img,H,'replicate');
- s = normrnd(0,R/5,N,4); %生成邻域中随机点对GII
- figure; %显示一下
- for i=1:N
- plot(s(i,1:2),s(i,3:4));
- hold on;
- end
- tao = zeros(length(p),N);
- for i=1:length(p) %生成所有特征点的brief描述子
- px = floor(p(i,:) + s(:,1:2)); %懒得插值提亚像素值了,直接最邻近
- py = floor(p(i,:) + s(:,3:4));
-
- for j=1:N
- if img(px(j,2),px(j,1)) < img(py(j,2),py(j,1))
- tao(i,j) = 1;
- else
- tao(i,j) = 0;
- end
- end
-
- img(floor(p(i,2)),floor(p(i,1))) = 255;
- end
- figure; %显示harris角点
- imshow(img,[])
- figure; %显示一下描述子
- imshow(tao,[])
复制代码
结果如下:
原图:
Harris特征点:
邻域随机点对,这里使用GII:
BRIEF描述子,这里可视化了:
|
|