很高兴你发现了这个项目,该项目是对一个论文算法的解释和应用,原论文是 "DAISY: An Efficient Dense Descriptor Applied to Wide-Baseline Stereo"。欢迎提出任何意见或建议。
本文介绍了一种局部图像描述子,名叫 DAISY,能有效地进行密集计算。本文还提供了一种从宽基线图像对计算密集深度和遮挡地图的 EM 算法。 在宽基线应用场景下,DAISY 表现效果明显优于在窄基线场景中使用的常用算法。此外,使用 DAISY 使得我们的算法对多光照和几何变换具有鲁棒性。 DAISY 设计的灵感来源于早期的一些描述子,比如 SIFT 和 GLOH,但比它们计算速度都快的多;然而又不像 SURF(一种基于 SIFT 的高效改进算法), 不会因为引入了 artifacts 而降低匹配效果。值得注意的是,DAISY 是第一个尝试从宽基线图像对来估计密集深度图的算法,而且证明了 DAISY 在深度估计准确率、 遮挡检测、还有与其它激光扫描真实场景应用中其它描述子的对比上,是一个表现不错的描述子。本文还在多个不同光照和几何变换的室内室外场景下对 DAISY 进行测试, 结果表明 DAISY 对这些场景的不同具有鲁棒性。
1. 计算每个像素的一维梯度,进而计算梯度方向、幅度,并统计它对不同方向的贡献(权重占比)
不同方向的梯度可以用一维梯度来计算,计算高效,如下所示,
2. 计算每个像素以该像素为中心的,高斯卷积核平滑后的,作为不同层(中心、内、中、外)上、对不同方向的贡献
不仅同一个像素的直方图可以被周边多个采样点重复使用,加快计算效率;而且对于同一像素的外层直方图也可以根据内层直方图计算得到,如下所示,
3. 对某一个像素,统计其周边不同层、不同方向上的直方图特征,假设维度为 D
得到一个采样点的特征表示如下,维度 D = number_of_rings * d(h) = (rings * histograms + 1) * orientations,如下所示,
4. 以固定步长采样的方式获取 P 个采样点;总数据量为 P * D
以固定的宽和高的步长进行采样,如下所示是总的特征示意图,
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。