Klassifizierung von Detektoren, Extraktoren und Matchern

Ich bin neu in opencv und versucht zu implementieren image matching zwischen zwei Bildern. Für diesen Zweck versuche ich zu verstehen, den Unterschied zwischen feature Deskriptoren Deskriptor-Extraktoren und-descriptor-Matcher. Ich stieß auf eine Menge von Begriffen, und versuchte, über Sie zu Lesen auf der opencv-Dokumentation-website, aber ich kann einfach nicht scheinen, um wickeln Sie meinen Kopf herum, die Konzepte. Habe ich verstanden, der grundlegende Unterschied hier. Unterschied zwischen Feature-Erkennung und-Descriptor Extraktion

Aber stieß ich auf die folgenden Bedingungen während des Studiums auf das Thema :

SCHNELL, GFTT, SIFT, SURF, MSER, STERN, KUGEL, REGE, FREAK, KURZE

Ich verstehen, wie SCHNELL, SIFT, SURF-Arbeit, aber kann nicht scheinen, um herauszufinden, welche der oben genannten sind nur die Detektoren und die Extraktoren.

Dann gibt es die Matcher.

FlannBased, BruteForce, knnMatch und wohl auch einige andere.

Nach einigem Lesen, habe ich herausgefunden, dass bestimmte Matcher kann nur verwendet werden, mit bestimmten Abzieher, wie hier beschrieben. Wie Funktioniert OpenCV ORB Feature Detector Arbeit?
Die Klassifizierung ist ganz klar, aber es ist nur für ein paar Abzieher und ich verstehe nicht den Unterschied zwischen float und uchar.

Also im Grunde, kann mir bitte jemand

  1. klassifizieren die Arten von Detektoren, Extraktoren und Matcher basiert auf float und uchar, wie bereits erwähnt, oder eine andere Art der Klassifizierung?
  2. erklären Sie den Unterschied zwischen float und uchar Klassifizierung oder welche Klassifikation verwendet wird?
  3. erwähnen, wie Sie initialisiert werden (code), verschiedene Arten von Detektoren, Extraktoren und Matcher?

Ich kenne seine Fragen, für eine Menge, aber ich werde sehr dankbar.
Danke.

InformationsquelleAutor der Frage hriddle | 2013-02-11

  1. 74

    Ich verstehen, wie SCHNELL, SIFT, SURF arbeiten, aber kann nicht scheinen, um herauszufinden,
    welche der oben genannten sind nur die Detektoren und die Extraktoren.

    Grundsätzlich aus, dass die Liste der feature-Detektoren/Extraktoren (link zum Artikel: SCHNELLGFTTSIEBENSURFENMSERSTARORBFLOTTERFREAKKURZE), einige von Ihnen sind nur feature-Detektoren (SCHNELL, GFTT), in anderen sind beide feature-Detektoren und-descriptor-Extraktoren (SIFT, SURF, ORB, FREAK).

    Wenn ich mich richtig erinnere, KURZE ist nur ein descriptor extractor, so muss es Funktionen entdeckt, die von einigen anderen Algorithmus, wie SCHNELL oder ORB.

    Sicher sein, was was ist, haben Sie zum durchsuchen der Artikel bezogen auf den Algorithmus oder suchen opencv-Dokumentation, um zu sehen, was umgesetzt wurde, für die FeatureDetector Klasse oder das war für den DescriptorExtractor Klasse.

    Q1: Klassifizierung der Arten von Detektoren, Extraktoren und Matcher, basierend auf
    float und uchar, wie bereits erwähnt, oder eine andere Art der Klassifizierung?

    Q2: erklären Sie den Unterschied zwischen float und uchar Klassifizierung
    oder welche Klassifikation verwendet wird?

    Bezüglich Fragen 1 und 2zu klassifizieren Sie als float und uchar, die link schon gepostet ist die beste Referenz, die ich kenne, vielleicht wird jemand in der Lage sein, es zu vollenden.

    Q3: erwähnen, wie Sie initialisiert werden (code), verschiedene Arten von Detektoren,
    Abzieher und Matcher?

    Beantwortung Frage 3OpenCV gemacht, der code für die Verwendung der verschiedenen Arten ziemlich die gleiche ist - vor allem müssen Sie wählen Sie eine feature-Detektor. Die meisten der Unterschied ist in der Wahl der Art der matcher und die Sie bereits erwähnt die 3 diejenigen, die OpenCV hat. Ihre beste Wette ist hier die Dokumentation zu Lesen, Codebeispiele und zugehörige Stack-Überlauf Fragen. Auch einige blog-Beiträge sind eine ausgezeichnete Quelle von Informationen, wie diese Serie von feature-Detektor benchmarks von Ievgen Khvedchenia (Der blog ist nicht mehr verfügbar, so musste ich erstellen Sie eine raw-text-Kopie aus google cache).

    Matcher werden verwendet, um herauszufinden, ob ein Deskriptor ist ähnlich zu einem anderen Deskriptor aus einer Liste. Sie können entweder vergleichen Sie Ihre query-Deskriptor mit allen anderen Deskriptoren aus der Liste (BruteForce) oder Sie verwenden eine bessere Heuristik (FlannBased, knnMatch). Das problem ist, dass die Heuristiken funktionieren nicht für alle Arten von Deskriptoren. Zum Beispiel, FlannBased Umsetzung funktioniert nur mit float Deskriptoren, aber nicht mit uchar's (Aber da 2.4.0, FlannBased mit LSH index angewandt werden kann, uchar Deskriptoren).

    Zitieren diese App-Solut blog-post über die DescriptorMatcher Typen:

    Den DescriptorMatcher kommt in den Sorten "FlannBased",
    "BruteForceMatcher", "BruteForce-L1" und "BruteForce-HammingLUT". Die
    "FlannBased" matcher verwendet die flann (fast library for approximate
    nächste Nachbarn) - Bibliothek unter der Haube durchführen schneller, aber
    annähernd passende. Der "BruteForce -*" - Versionen erschöpfend searche
    das Wörterbuch zum finden der besten übereinstimmung für eine image-Funktion, um ein
    Wort im Wörterbuch.

    Einige der beliebtesten Kombinationen sind:

    Funktion Detektoren /Decriptor Abzieher /Matcher-Typen

    • (SCHNELL, SURFEN) /SURFEN /FlannBased

    • (SCHNELL, SIFT) /SIFT /FlannBased

    • (SCHNELL, ORB) /ORB /Bruteforce

    • (SCHNELL, ORB) /BRIEF /Bruteforce

    • (SCHNELL, SURFEN) /FREAK /Bruteforce

    Haben Sie vielleicht auch bemerkt, es gibt ein paar Adapter (Dynamisch, Pyramide, Grid)um die feature-Detektoren. App-Solut blog-post fasst sehr schön Ihre Verwendung:

    (...) und es sind auch ein paar Adapter, die man verwenden kann, um zu ändern
    das Verhalten der key-point-Detektoren. Zum Beispiel die Dynamic
    adapter passt ein Detektor-Typ-spezifischer Nachweis-Schwelle
    bis genug Schlüssel-Punkte sind in einem Bild oder der Pyramid adapter
    die Konstrukte einer Gauß-Pyramide zu erkennen, die Punkte auf mehrere
    Waagen. Die Pyramid adapter ist nützlich für feature-Deskriptoren, die
    nicht scale invariant.

    Weiter Lesen:

    InformationsquelleAutor der Antwort Rui Marques

Schreibe einen Kommentar