字典重建|特征选择与图像拼接

往期精选

论文写作｜优秀论文发表之必备条件

文物修复｜青铜器纹饰特征增强及自动提取

AI｜自适应的线条画绘制

推荐｜ACM SIGMOD中国新星奖和中国优博将推荐启动了

封面故事｜内容感知图像缩放

深度学习｜海马子区图像分割

导语

        在背景复杂的图像中提取SIFT特征时，经常出现特征相互重叠且成簇的现象，怎么才能在精简并消除冗余特征的同时，还能够保留最具表现力的，并保留原始空间结构性的SIFT特征描述子呢？？？

        快来阅读这篇文章吧~

题目：字典重建和空间分布关系约束下的特征选择与图像拼接

作者：于邓,刘玉杰,隋国华,陈晓明,李宗民,范建平

单位：中国石油大学(华东)计算机与通信工程学院

来源：《中国图象图象学报》2018年第5期

DOI：10.11834/jig.170461

原文链接：

http://www.cjig.cn/html/jig/2018/5/weixin/20180508.htm

本文亮点

     1. 本文算法引入熵理论，即熵空间分布约束来描述SIFT特征的空间分布并给出特征点位置的预测，保证选择出的特征点集合与原始的SIFT特征点集合能维持相同的空间分布。

     2. 提出了一种新的机制：将SIFT的特征选择问题转化为一个优化任务，进而把该优化任务转换到基于稀疏表示的字典重建领域中求解，同时探究了该机制的可行性与内在的关联性。

专家推荐

        本文采用字典学习进行特征选择， 引入熵的概念，用来描述特征点的空间位置分布，熵越大，分布越均匀。在筛选sift特征点的过程中，增加熵的约束使得典型特征点分散地分布在图像的各个位置，具有一定的创新性。

方法实现

实验发现了特征选择和字典学习方法在稀疏表示方面的内在联系，将特征选择问题转化为字典重构任务

在SIFT特征选择问题中，为了保证特征空间中特征的鲁棒性，设计了新型的字典学习模型，并采用模拟退火算法进行迭代求解

在字典学习的过程中，加入熵理论来约束特征的空间分布，使学习到的特征描述子能最大限度保持原始SIFT特征空间的空间拓扑关系

结果结论

       在公开数据集Holiday大型场景图片检索数据库上，通过与国际公认的特征选择方法进行实验对比，本文提出的特征选择方法在节省内存空间和提高时间效率（30%~ 50%）的同时，还能保证所筛选的特征描述子的检索准确率比同类特征提高8%~ 14.1%；在国际通用的大型场景图片拼接数据库IPM上，验证本文方法在图像拼接应用中特征提取和特征匹配上的有效性，实验表明本文方法能节省（50% ~70%）图像拼接时间。

       与已有的方法比较，本文的特征选择方法既不依赖训练数据集，也不丢失重要的空间结构和纹理信息，在大型图像检索、图像拼接领域和3D检索领域中，能够精简特征，提高特征匹配效率和准确率。

引用格式

Yu D, Liu Y J, Sui G H, et al.Feature selection and image stitching based on dictionary reconstruction and spatial distribution[J].Journal of Image and Graphics,2018,23(5):698-707.

于邓,刘玉杰,隋国华,等.字典重建和空间分布关系约束下的特征选择与图像拼接[J].中国图象图象学报,2018,23(5):698-707.

DOI：10.11834/jig.170461

前沿丨观点丨咨讯丨独家

扫描下方二维码 关注学报公众号

中国图象图形学报 | 订阅号