最近這些日子，我在中科院實習了一段時間，收穫了很多寶貴的知識和經驗，也認識了一些朋友，在這裡感謝老師們對我的指導和建議。作為一名影象處理專業的數學geek,我很喜歡做關於影象方面的演算法研究，在這裡把近幾年的角點特徵匹配方法做個總結，和大家分享一下。
影象匹配能夠應用的場合非常多，如目標跟蹤，檢測，識別，影象拼接等，而影象匹配最核心的技術就要屬角點匹配了，所謂角點匹配是指尋找兩幅影象之間的特徵畫素點的對應關係，從而確定兩幅影象的位置關係。
角點匹配可以分為以下四個步驟：
1.提取檢測子：在兩張待匹配的影象中尋找那些最容易識別的畫素點（角點），比如紋理豐富的物體邊緣點等。
2.提取描述子：對於檢測出的角點，用一些數學上的特徵對其進行描述，如梯度直方圖，區域性隨機二值特徵等。
檢測子和描述子的常用提取方法有:sift, harris, surf, fast, agast, brisk, freak, brisk,orb等。
3.匹配：通過各個角點的描述子來判斷它們在兩張影象中的對應關係。常用方法如 flann
4.去外點：去除錯誤匹配的外點，保留正確的內點。常用方法有ransac, gtm。
我對上述這些常用的檢測子和描述子的效能和速度做了乙個測試，以找出其中價效比最好的組合（不考慮後兩步）
圖一
圖二上面兩幅圖是對上述部分檢測子與描述子進行測試的結果。
其中圖一和圖二的x座標表示不同的檢測子與描述子的組合，從1到30分別對應
(surf、agast、brisk、fast、sift、orb)檢測子與 (brisk、agast、surf、sift、orb)描述子的線性組合，如第四組表示surf檢測子+sift描述子的組合。
圖一和圖二的y座標表示一系列測試組，每組由兩張圖組成，這些都是質量較低的衛星地圖，約2000*2000畫素，每組的兩張是由不同衛星對地面上同一地區進行拍攝的。它們之間的關係可能包含旋轉，縮放，仿射變換，亮度變化，模糊，噪音等。從1到11的測試組大概對應著以下變換關係:
1.強烈亮度變化
2.旋轉
3.仿射變換+尺度變化+旋轉
4.仿射變換+亮度變化+旋轉
5.仿射變換+噪音
6.模糊+亮度變化
7.旋轉+噪音
8.旋轉+尺度變化
9.亮度變化+旋轉+模糊+噪音
10. 亮度變化+旋轉+尺度變化
11. 亮度變化+旋轉+尺度變化+強烈噪音。
圖一的z座標表示成功匹配的畫素對的個數。圖二的z座標表示所需計算時間。
從測試結果來看，orb檢測子與surf描述子配合的效果是最好的，不過速度也是最慢的。古老的sift和surf依然好用，速度也還是那麼不給力。在不考慮旋轉和仿射變換的情況下，fast是很不錯的選擇，在小幅旋轉（20度內)的情況下，fast也還是有一定的容錯能力的。在旋轉變化和尺度變化方面，各家武功相差不多，雖然在理論上sift支援旋轉變化，不過測試中它並沒有表現出明顯的優勢。在噪音方面，sift和orb明顯強於其它演算法；在亮度變化和仿射變換上，orb的魯棒性是最好的；綜合比較，orb的價效比在此次華山論劍中略勝一籌。
下面兩張圖是上面11組的均值，從平均值來看，orb也是最好的
常用角點檢測與角點匹配方法比較
最近這些日子，我在中科院實習了一段時間，收穫了很多寶貴的知識和經驗，也認識了一些朋友，在這裡感謝老師們對我的指導和建議。作為一名影象處理專業的數學geek,我很喜歡做關於影象方面的演算法研究，在這裡把近幾年的角點特徵匹配方法做個總結，和大家分享一下。影象匹配能夠應用的場合非常多，如目標跟蹤，檢測，識...
Harris角點檢測 sift描述匹配
最近用到 harris檢測影象中邊緣處的特徵點，並且需要兩張圖特徵點匹配起來。harris只是乙個角點檢測的演算法，最終只得到特徵點座標，想要匹配需要描述，而harris是單尺度的，自己寫描述函式又有些麻煩。找到matlab和opencv都有整合的函式 matlab版本通過調節引數，效果還可以，存在...
opencv自定義角點 自定義角點檢測器
自定義角點檢測器是基於harris和shi tomasi角點檢測的 首先通過計算矩陣m來得出 1 2兩個特徵值，然後根據他們得到角點響應值 然後自己設定閾值實現實現計算出閾值得到有效響應值的角點位置 apicv cornereigenvalsandvecs inputarray src,output...