OpenCV4入门教程116:AKAZE特征与描述子
索引地址:系列索引
特征:图像特征与特征描述子
AKAZE特征算法是SIFT特征算法的一种改进版本,但不使用高斯模糊来构建尺度空间,因为高斯模糊具有丢失边缘信息的缺点,进而采用非线性扩散滤波来构建尺度空间,从而保留图像更多的边缘特征。
在特征点提取阶段,AKAZE算法采用与SIFT算法类似的提取特征点方式,即在同一金字塔层内的不同尺度的一组图像中寻找最大特征点。
然后在特征描述子生成阶段,采用与ORB特征算法类似的方法生成描述子(可参阅《OpenCV4学习笔记(40)》),但ORB算法中采用LDB特征描述算法来生成特征描述子,而AKAZE采用 M-LDB特征描述算法来生成描述子,使得最终得到的特征具有旋转不变性。M-LDB特征描述算法是基于LDB特征描述算法并针对图像的旋转和缩放进行改进,相比LDB具有旋转不变性和尺度不变性,进一步提高了特征的鲁棒性。
通过AKAZE特征算法得到的描述子具有旋转不变性、尺度不变性、光照不变性、空间不变性等,而且其鲁棒性、特征独特性和特征精度相比起ORB、SIFT算法提取出的特征要更好。
AKAZE算法作为KAZE算法的性能提升版本,利用Fast Explicit Diffusion(FED)来构建尺度空间。因为盒子滤波可以很好地近似高斯核,并且能够提升速度、易于实现,所以其主要思想是循环执行M次的盒子滤波,每次循环都有N个步长的显式扩散,每一步的步长是非线性的、也即是不断变化的,初始步长起源于盒子滤波的因式分解。
虽然其速度有了一定的提升,但是仍然不足以胜任实时处理的需求。
1 |
|
效果
OpenCV4入门教程116:AKAZE特征与描述子
https://blog.jackeylea.com/opencv/opencv-akaze-feature-descriptor/