Diferencia entre Detección de Características y Extracción de Descriptores

Ambos, Feature Detection y Feature descriptor extraction son partes del Feature based image registration. Solo tiene sentido mirarlos en el contexto de todo el proceso de registro de imágenes basado en características para comprender cuál es su trabajo.

Algoritmo de registro basado en características

La siguiente imagen de la documentación de PCL muestra dicha canalización de registro:

1. Adquisición de datos: Una imagen de entrada y una imagen de referencia algoritmo. Las imágenes deben mostrar la misma escena desde puntos de vista ligeramente diferentes.

2. Estimación de puntos clave (Detección de características): Un punto clave (punto de interés) es un punto dentro de la nube de puntos que tiene las siguientes características:

   1. tiene una definición clara, preferiblemente matemáticamente bien fundamentada, {[26]]}
   2. tiene una posición bien definida en el espacio de la imagen,
   3. la estructura de la imagen local alrededor del punto de interés es rica en términos del contenido de la información local.
      OpenCV viene con varias implementaciones para Feature detection, tales como:
      • AKAZE
      • BRISK
      • ORB
      • KAZE
      • SURF
      • TAMIZAR
      • MSER
      • RÁPIDO
      • STAR
      • MSD

   Tales puntos sobresalientes en una imagen son tan útiles porque la suma de ellos caracteriza la imagen y ayuda a hacer diferentes partes de ella distinguibles.

3. Descriptores de características (Descriptor extractor): Después de detectar los puntos clave pasamos a calcular un descriptor para cada uno de ellos. "Un descriptor local una representación compacta del vecindario local de un punto. En contraste con los descriptores globales que describen un objeto completo o una nube de puntos, los descriptores locales tratan de parecerse a la forma y apariencia barrio alrededor de un punto y por lo tanto son muy adecuados para representarlo en términos de coincidencia."(Dirk Holz et al.). OpenCV options :

   • AKAZE
   • BRISK
   • ORB
   • KAZE
   • SURF
   • TAMIZAR
   • FREAK
   • DAISY
   • LATCH
   • LÚCIDO
   • BREVE

4. Estimación de correspondencia (descriptor matcher): La siguiente tarea es encontrar correspondencias entre los puntos clave encontrados en ambas imágenes.Por lo tanto, las entidades extraídas se colocan en una estructura que se puede buscar de manera eficiente (como un kd-tree). Por lo general, es suficiente buscar todos los descriptores de características locales y hacer coincidir cada uno de ellos con su contraparte correspondiente desde el otra imagen. Sin embargo, debido al hecho de que dos imágenes de una escena similar no necesariamente tienen el mismo número de descriptores de características, ya que una nube puede tener más datos que la otra, necesitamos ejecutar un proceso de rechazo de correspondencia separado. OpenCV options :

   • BF
   • FLANN

5. Rechazo de correspondencia: Uno de los enfoques más comunes para realizar el rechazo de correspondencia es utilizar RANSAC (Consenso de Muestra Aleatoria).

6. Estimación de transformación: Después de que se calculan las correspondencias robustas entre las dos imágenes, se utiliza Absolute Orientation Algorithm para calcular una matriz de transformación que se aplica a la imagen de entrada para que coincida con la imagen de referencia. Hay muchos enfoques algorítmicos diferentes para hacer esto, un enfoque común es: Descomposición de Valor singular(SVD).