Classification des détecteurs, des extracteurs et les allumettes

je comprends comment rapide, SIFT, SURF travailler, mais ne semble pas comprendre ceux qui ne sont que des détecteurs et qui sont des extracteurs.

Fondamentalement, à partir de la liste des détecteurs/extracteurs (lien vers les articles: RAPIDE , GFTT , EIPD , SURF , MSER , STAR , ORB , BRISK , FREAK , BRIEF ), certains ne sont que des détecteurs de caractéristiques ( FAST, GFTT ), d'autres sont à la fois des détecteurs de caractéristiques et des extracteurs de descripteurs ( SIFT, SURF, Orb, FREAK ).

si je me souviens bien, bref n'est qu'un extracteur de descripteurs, il a donc besoin de fonctionnalités détectées par d'autres un algorithme comme FAST ou ORB.

pour être sûr de ce qui est, vous devez soit parcourir l'article lié à l'algorithme ou parcourir la documentation opencv pour voir qui a été mis en œuvre pour la classe FeatureDetector ou qui était pour la classe DescriptorExtractor .

Q1: classer les types de détecteurs, extracteurs et matches en fonction de: float et uchar, comme mentionné, ou un autre type de classification?

Q2: expliquer la différence entre la classification des flotteurs et celle des uchar ou quelle que soit la classification utilisée?

en ce qui concerne questions 1 et 2 , pour les classer comme flottant et uchar, le lien que vous avez déjà posté est la meilleure référence que je connaisse, peut-être que quelqu'un pourra le compléter.

Q3: indiquer comment initialiser (coder) différents types de détecteurs, extracteur et les allumettes?

répondant à question 3 , OpenCV a fait le code pour utiliser les différents types tout à fait la même - Principalement, vous devez choisir un détecteur de caractéristique. La plupart de la différence est dans le choix du type de matcher et vous avez déjà mentionné les 3 Que OpenCV A. Votre meilleur pari ici est de lire la documentation, exemples de code , et les questions connexes de débordement de pile. En outre, certains billets de blog sont un excellent source d'information, comme ces série de référentiels de détecteur de fonctionnalités par Ievgen Khvedchenia (le blog n'est plus disponible donc j'ai dû créer une copie de texte brut à partir de son cache google).

Matchers sont utilisés pour trouver si un descripteur est similaire à un autre descripteur d'une liste. Vous pouvez comparer votre descripteur de requête avec tous les autres descripteurs de la liste ( BruteForce ) ou vous utilisez un mieux heuristique ( FlannBased, knnMatch ). Le problème est que les heuristiques ne fonctionnent pas pour tous les types de descripteurs. Par exemple, l'implémentation basée sur Flann ne fonctionnait qu'avec les descripteurs float , mais pas avec les descripteurs uchar (mais depuis 2.4.0, FlannBased avec LSH index peut être appliqué aux descripteurs uchar).

citant cette application-Solut blog post à propos des DescriptorMatcher types:

le Descripteurmatcher vient dans les variétés " FlannBased", "BruteForceMatcher", "BruteForce-L1"et" BruteForce-HammingLUT". Le "FlannBased" matcher utilise la bibliothèque flann (fast pour approximate voisins les plus proches) bibliothèque sous le capot d'effectuer plus rapidement, mais correspondance approximative. Les versions" BruteForce -* " searchent de façon exhaustive le dictionnaire pour trouver la correspondance la plus proche pour un trait d'image à un mot dans le dictionnaire.

certaines des combinaisons les plus populaires sont:

la Fonction des Détecteurs de Decriptor Extracteurs / types de Rapprochement

• (FAST, SURF) / SURF / FlannBased

• (FAST, SIFT) / SIFT / FlannBased

• (RAPIDE, ORB) / ORBE / Bruteforce

• (FAST, ORB) / BRIEF / Bruteforce

• (FAST, SURF) / FREAK / Bruteforce

vous avez peut-être aussi remarqué qu'il y a quelques adaptateurs (dynamique, pyramide, grille) aux détecteurs. L'App-Solut blog post résume très bien leur utilisation:

(...) et il y a aussi un couple de les adaptateurs que l'on peut utiliser pour changer le comportement des détecteurs de points clés. Par exemple le Dynamic adaptateur qui ajuste un seuil de détection spécifique au type de détecteur jusqu'à ce qu'il y ait suffisamment de points clés dans une image ou l'adaptateur Pyramid qui construit une pyramide gaussienne pour détecter les points sur les multiples Scales. L'adaptateur Pyramid est utile pour les descripteurs de ne sont pas invariant d'échelle.

:

• ce blog post de Yu Lu fait une description sommaire très agréable sur SIFT, FAST, SURF, BRIEF, ORB, BRISK et FREAK.

• ces série de billets de Gil Levi font aussi des résumés détaillés pour plusieurs de ces algorithmes (bref, ORB, BRISK et FREAK).