本文主要是介绍AKAZE算法分析，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1 算法简介
局部特征相关算法在过去二十年期间风靡一时，其中代表的有SIFT、SURF算法等(广泛应用于目标检测、识别、匹配定位中)，这两种算法是用金字塔策略构建高斯尺度空间(SURF算法采用框滤波来近似高斯函数)。不论SIFT还是SURF算法在构造尺度空间时候存在一个重要的缺点：高斯模糊不保留对象边界信息并且在所有尺度上平滑到相同程度的细节与噪声，影响定位的准确性和独特性。
针对高斯核函数构建尺度空间的缺陷，有学者提出了非线性滤波构建尺度空间：双边滤波、非线性扩散滤波方式。非线性滤波策略构建尺度空间主要能够局部自适应进行滤除小细节同时保留目标的边界使其尺度空间保留更多的特征信息。例如：BFSIFT采取双边滤波与双向匹配方式改善SIFT算法在SAR图像上匹配性能低下的问题(主要由于SAR图像斑点噪声严重)，但是付出更高的计算复杂度。AKAZE作者之前提出的KAZE算法采取非线性扩散滤波相比于SIFT与SURF算法提高了可重复性和独特性。但是KAZE算法缺点在于计算密集，通过AOS数值逼近的策略来求解非线性扩散方程，虽然AOS求解稳定并且可并行化，但是需要求解大型线性方程组，在移动端实时性要求难以满足。
2 非线性扩散滤波
作者目的在于如何将局部特征算法应用到移动设备(由于移动设备资源有限同时实时性要求较高)，主要正对KAZE算法改进一下两点：1 利用非线性扩散滤波的优势获取低计算要求的特征，因此作者引入快速显示扩散数学框架FED来快速求解偏微分方程。采用FED来建立尺度空间要比当下其它的非线性模式建立尺度空间都要快，同时比AOS更加准确。2 引入一个高效的改进局部差分二进制描述符(M-LDB)，较原始LDB增加了旋转与尺度不变的鲁棒性，结合FED构建的尺度空间梯度信息增加了独特性。与SIFT、SURF算法相比，AKAZE算法更快同时与ORB、BRISK算法相比，可重复性与鲁棒性提升很大。
3 Accelerated-KAZE特征
3.1 快速显示扩散(FED)
非线性扩散滤波描述图像亮度的演化是通过提升尺度参数作为热扩散函数的散度因子来控制扩散过程。通常采用偏微分方程进行求解，由于涉及微分方程非线性性质，通过图像亮度的扩散来构建尺度空间。经典非线性扩散方程如下： ∂ L ∂ t = d i v ( c ( x , y , t ) ∙ ∇ L ) \frac{∂L}{∂t}=div(c(x,y,t)∙∇L) ∂t∂L=div(c(x,y,t)∙∇L) 参数解释：L为图像亮度矩阵，div与∇分别代表散度与梯度求解操作。由于扩散方程中引入传导函数c能够自适应于图像局部结构特性进行扩散。传导函数依赖于图像局部差分结构可以是标量或者张量形式。时间参数t对应于尺度因子，在扩散过程中通过图像梯度大小来控制。传导函数公式定义如下: c ( x , y , t ) = g ( ∣ ∇ L σ ( x , y , t ) ∣ ) c(x,y,t)=g(|∇L_σ (x,y,t)|) c(x,y,t)=g(∣∇Lσ(x,y,t)∣) 参数解释： ∇ L σ ∇L_σ ∇Lσ是经过高斯函数(尺度参数σ)平滑图像L。针对区域扩散平滑最优选择传导核函数： g 2 = 1 ( 1 + ∣ ∇ L σ ∣ 2 λ 2 ) g_2=\frac{1}{(1+\frac{|∇L_σ |^2}{λ^2} ) } g2=(1+
这篇关于AKAZE算法分析的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
