PS:这里加一点自己的一点个人理解:关于矩形区域内像素点的求和应该是一种简单重
复性运算,采用这种思路总体上提高了效率。为什么这么说呢?假设一幅图片共有 n 个像
素点,则计算 n 个位置的积分图总共的加法运算有 n-1 次(注意:可不是
次哦,要充分利用递推思想),将这些结果保存在一个跟
原图对应的矩阵 M 中。当需要计算图像中某个矩形区域内的所有像素之和是直接像查表一
样,调出 A,B,C,D 四点的积分图值,简单的加减法(注意只需要三次哦)即可得到结果。
反之,如果采用 na ive 的方式直接在原图像中的某个矩形区域内求和,你想想,总共可能
的矩形组合有多少? !!且对于一幅图像 n 那是相当大啊,所以 2^n
那可是天文数字,而且这里面绝大部分的矩形有重叠,重叠意味着什么?在算求和的时候
有重复性的工作,其实我们是可以有效的利用已经计算过的信息的。这就是积分图法的内
在思想:它实际上是先计算 n 个互不重叠(专业点说是不相交)的矩形区域内的像素点求
和,充分利用这些值(已有值)计算未知值,有点类似递推的味道...这就完全避免了重复
求和运算。
1.2用于检测兴趣点的 Hessian 矩阵
作者 HerbertBay 利用 Hessian 矩阵来检测兴趣点,具体是用 Hessian 矩阵行列式
的最大值标记斑状结构(blob-likestructure)的位置。同时,行列式值也作为尺度选择
的依据,这里,作者是参考了 Lindeberg 的做法('Featuredetectionwithautomati
cscaleselection'我还没有拜读原文!!)。
说一下 Hessian 矩阵的定义:
评论5
最新资源