SURF 工作原理总结
A Summary of How SURF Works
我想弄清楚 SURF 特征检测的工作原理。我想我已经取得了一些进步。我想知道我离真正发生的事情有多远。
一张您已经存储的模板图片和一张真实世界的图片
根据"key points"或一些重要特征进行比较
在两张图片中。
相同点之间的最小欧氏距离构成
很好的搭配。
什么是重要特征或关键点？一个角
（边缘的交点）或斑点（强度的急剧变化）。
SURF 使用 blob。
它使用 Hessian 矩阵进行斑点检测或特征提取。
Hessian矩阵是一个二阶导数的矩阵：这是to
找出与 a
强度相关的最小值和最大值
图像中的给定区域。
sift/surf 等有 3 个阶段：
找到可能在同一对象的不同图像中再次找到的 features/keypoints（surf 使用盒式过滤器）。如果可能的话，这些特征应该是缩放和旋转不变的。角点、斑点等都不错，而且最常在多个尺度上搜索。
找到该点的右侧 "orientation"，这样如果图像根据该方向旋转，则两个图像都相对于该单个关键点对齐。
"descriptor" 的计算，其中包含关键点邻域在正确比例下的外观（在定向之后）的信息。
现在您的欧氏距离计算仅在描述符上完成，而不是在关键点位置上完成！
重要的是要知道第 1 步对于 SURF 不是固定的。 SURF 实际上是第 2-3 步，但作者给出了如何完成第 1 步以与第 2-3 步产生一些协同作用的建议。协同作用是，步骤 1 和 3 使用积分图像来加快速度，因此积分图像只需计算一次。
我想弄清楚 SURF 特征检测的工作原理。我想我已经取得了一些进步。我想知道我离真正发生的事情有多远。
一张您已经存储的模板图片和一张真实世界的图片 根据"key points"或一些重要特征进行比较 在两张图片中。
相同点之间的最小欧氏距离构成 很好的搭配。
什么是重要特征或关键点？一个角
（边缘的交点）或斑点（强度的急剧变化）。SURF 使用 blob。
它使用 Hessian 矩阵进行斑点检测或特征提取。
Hessian矩阵是一个二阶导数的矩阵：这是to
找出与 a
强度相关的最小值和最大值 图像中的给定区域。
sift/surf 等有 3 个阶段：
找到可能在同一对象的不同图像中再次找到的 features/keypoints（surf 使用盒式过滤器）。如果可能的话，这些特征应该是缩放和旋转不变的。角点、斑点等都不错，而且最常在多个尺度上搜索。
找到该点的右侧 "orientation"，这样如果图像根据该方向旋转，则两个图像都相对于该单个关键点对齐。
"descriptor" 的计算，其中包含关键点邻域在正确比例下的外观（在定向之后）的信息。
现在您的欧氏距离计算仅在描述符上完成，而不是在关键点位置上完成！
重要的是要知道第 1 步对于 SURF 不是固定的。 SURF 实际上是第 2-3 步，但作者给出了如何完成第 1 步以与第 2-3 步产生一些协同作用的建议。协同作用是，步骤 1 和 3 使用积分图像来加快速度，因此积分图像只需计算一次。