LBD算法源自2013年文章《An efficient and robust line segment matching approach based on LBD descriptor and pairwise geometric consistency》
总体流程
1. 在尺度空间内提取线段
1.1. 构建尺度空间
当拿到一张图片，我们先构建一个尺度金字塔，就和sift算法所实现的那样，通过一组尺度因子scale factors和高斯模糊Gaussian blurring，对一张图片进行N个下采样，就可以得到N层尺度金字塔，最下方是原图，每高一层就是一层高斯模糊后的图像。但是和Sift算法不同，连续两个层之间并没有内层。
1.2. 提取线特征
2. 构建线段描述符
2.1. 线段支持域的条带表示方法
上一步得到了尺度空间中的线段，接下来我们可以通过线段构成的LSR线段支持区域计算描述符。
我们将LSR支持区域分割为一组条带{B1,B2,B3……Bm}，这些条带是LSR支持区域的子区域，并且他们与线段是平行的关系。我们将LSR区域分割为 m 个条带，每一个条带的像素宽度为 w 。比如上图就是 m = 5 , w = 3的LSR区域图
在这里其采用了和MSLD类似的方法，定义了两种方向构成局部2D坐标系，来区分有相反梯度方向的平行线并使描述符旋转不变。
直线方向 表示直线所朝的方向。
正交方向 表示方向的顺时针垂直方向。
这条线的中点被选为局部坐标系的原点。并且LSR内的每个像素的梯度投影到这个局部坐标系中，其中是图片坐标系中的像素梯度，是局部坐标系中的像素梯度。
受到Sift和MSLD的启发，在 方向上的每一行都应用两个高斯函数。
首先，在LSR内的第i行上安排一个全局权重系数weight ，其中表示LSR中第i行到中心行的距离，并且
其次，对于Bj条带和它的相邻条带Bj+1和Bj-1中的每一行，我们为第k行分配一个局部权重系数，其中是第k行到Bj条带中心行的距离，并且
此方法描述子区域的优点：
- 首先，它对线段方向 上的细小位置变化更具有鲁棒性，因为在这个方法中，条带边界的微小变化时，条带内的大部分图像内容依然保持不变。这一特性非常重要，因为通常情况下，由于线段端点的不稳定性，一条线在 方向的位置精度比 方向要低。
- 其次，由于 方向条带间没有重叠部分，所以其计算效率更高，并且高斯权重直接应用于每一行像素，而非每一个像素。
2.2. 构造LBD条带描述符
BDj 的计算
(对于条带中第K行，累计该行中四个方向上像素的梯度，分别是 方向， 反方向， 方向，反方向)：
其中是高斯系数，所以一行像素我们总结出4个方向的梯度数据。
通过累计条带 Bj 相关联的所有行的梯度信息，我们可以构造一个条带描述符矩阵 BDMj 表示第j个条带的描述信息。
然后我们计算 BDj ，BDj 由 BDMj 的平均向量 Mj 和标准方差向量 Sj 构成
然后对LDB的均值部分和标准方差部分分别进行归一化，因为他们大小不同。并且为了减小非线性光照的影响，对每个LBD维度进行约束，小于经验值0.4。最后我们重新归一化约束向量得到一个单元LBD。
本文转载自：https://blog.csdn.net/chishuideyu/article/details/，非常感谢！
https://github.com/chishuideyu/LBD_and_LineMatching
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/199386.html原文链接：https://javaforall.net
