OpenCV密集特征检测器

Question

我正在使用openCV进行一些密集的特征提取。 例如，代码

DenseFeatureDetector detector(12.f, 1, 0.1f, 10);

我不太了解上述构造函数中的参数。 这是什么意思 ？ 阅读有关它的opencv 文档也无济于事。 在文档中，参数为：

DenseFeatureDetector( float initFeatureScale=1.f, int featureScaleLevels=1,
                          float featureScaleMul=0.1f,
                          int initXyStep=6, int initImgBound=0,
                          bool varyXyStepWithScale=true,
                          bool varyImgBoundWithScale=false );

他们应该怎么办？ 即scale，initFeatureScale，featureScaleLevels等的含义是什么？ 您如何知道密集采样的网格或网格间距等。

Answer 1

我也使用带有密集检测器的opencv，我想我可以为您提供一些帮助。 我不确定我要说什么，但是经验告诉我。

当我使用密集检测器时，我会通过那里灰度图像。 检测器制作一些阈值滤波器，其中opencv使用灰度最小值与来转换图像。 灰阶比阈值高的像素将被视为黑点，而其他像素则为白点。 在阈值越来越大的循环中重复执行此操作。 因此，参数initFeatureScale确定执行此循环所需的第一个阈值，featureScaleLevels参数指示此阈值在一个循环迭代与下一个循环之间要大多少，featureScaleMul是计算下一个阈值的乘数。

无论如何，如果您正在寻找最佳参数来使用密集检测器来检测任何特定点，那么您将提供我为此而设计的程序。 它在github中被解放了。 这是一个程序，您可以在其中测试某些检测器（密集检测器就是其中之一），并通过一个用户界面（只要您在执行程序时就可以更改检测器参数）来检查其参数是否更改。 您将看到检测到的点将如何变化。 要尝试，只需单击链接 ，然后下载文件。 您可能需要几乎所有文件来执行程序。

Answer 2

事先道歉，我主要使用Python，所以我会避免使用C ++来掩饰自己。

DenseFeatureDetector填充带有KeyPoints的向量，以传递给计算特征描述符。 这些关键点具有一个点向量及其标度集。 在文档中，比例是关键点的像素半径。

关键点在传递给DenseFeatureVector的图像矩阵的宽度和高度上均匀分布。

现在来看参数：

initFeatureScale设置初始KeyPoint特征半径（以像素为单位）（据我所知这没有效果）

秤featureScaleLevels数overwhich我们希望使关键点

用于initFeatureScale超过featureScaleLevels featureScaleMuliplier比例调节，这种规模的调整也可以应用于边界（initImgBound）和步长大小（initxystep）。 因此，当我们设置featureScaleLevels> 1时，该乘数将应用于连续的比例，以调整特征比例，阶梯和图像周围的边界。

initXyStep移动列和行的步长（以像素为单位）。 我希望自我解释。

initImgBound行/列边界区域可以忽略图像（像素）周围的内容，因此，一个initImgBound为10的100x100图像将在图像的中央80x80部分中创建关键点。

VariantXyStepWithScale布尔值，如果我们有多个featureScaleLevels ，我们想使用featureScaleMultiplier来调整步长。

variableImgBoundWithScale布尔值，与variableXyStepWithScale一样，但应用于边框。

---

这是来自OpenCV 2.4.3源中detectors.cpp的DenseFeatureDetector源代码，它可能比我的话解释得更好：

DenseFeatureDetector::DenseFeatureDetector( float _initFeatureScale, int _featureScaleLevels,
                                      float _featureScaleMul, int _initXyStep,
                                      int _initImgBound, bool _varyXyStepWithScale,
                                      bool _varyImgBoundWithScale ) :
    initFeatureScale(_initFeatureScale), featureScaleLevels(_featureScaleLevels),
    featureScaleMul(_featureScaleMul), initXyStep(_initXyStep), initImgBound(_initImgBound),
    varyXyStepWithScale(_varyXyStepWithScale), varyImgBoundWithScale(_varyImgBoundWithScale)
{}


void DenseFeatureDetector::detectImpl( const Mat& image, vector<KeyPoint>& keypoints, const Mat& mask ) const
{
    float curScale = static_cast<float>(initFeatureScale);
    int curStep = initXyStep;
    int curBound = initImgBound;
    for( int curLevel = 0; curLevel < featureScaleLevels; curLevel++ )
    {
        for( int x = curBound; x < image.cols - curBound; x += curStep )
        {
            for( int y = curBound; y < image.rows - curBound; y += curStep )
            {
                keypoints.push_back( KeyPoint(static_cast<float>(x), static_cast<float>(y), curScale) );
            }
        }

        curScale = static_cast<float>(curScale * featureScaleMul);
        if( varyXyStepWithScale ) curStep = static_cast<int>( curStep * featureScaleMul + 0.5f );
        if( varyImgBoundWithScale ) curBound = static_cast<int>( curBound * featureScaleMul + 0.5f );
    }

    KeyPointsFilter::runByPixelsMask( keypoints, mask );
}

---

您可能希望计算调用将基于DenseFeatureDetector生成的关键点，使用相关的关键点检测算法（例如角度）来计算其他关键点特性。 不幸的是，Python下的SIFT并非如此-我没有研究其他功能检测器，也没有研究C ++中的行为。

另请注意，DenseFeatureDetector不在OpenCV 3.2中（不确定在哪个版本上将其删除）。