基于局部对称性的特征点加工策略及应用.pdfVIP

比重的目的，但仍然会遇到如下问题：有的图像内容非常丰 cahularyforlarge-scaleimageapplications[C]／／Proceedingsof 富，导致其提取到的SIFT特征点数量 比一般图像要大得多， theinternationalconferenceonM uhimedia．2O10：501—510 即使引入过滤或加权策略后，仍会保留很多特征点。无论对 [6] KootstraG，deBoerB，SchomakerIR．Predictingeyefixations oncomplexvisualstimuliusinglocalsymmetry[J]．Cognitive 于什么样的查询图像，这类图像都能够 以 “符合查询”的结果 computation，2011，3(1)：223—240 返回而造成误匹配，如图8(e)行第 4幅图像就属于这样的情 [7] TreismanAM，GeladeG．Afeature-integrationtheoryofatten— 况。 tion[J]．Cognitivepsychology，1980，12(1)：97—136 结束语 本文主要探究了如何使用非监督学习的方法来 [8] IttiI，KochC，NieburE．Amodelofsaliency-basedvisualatten— 优化局部特征点检测子算法的问题，首次提出根据局部对称 tionforrapidsceneanalysis[J]．IEEETransactionsonPattern 性来选择SIFH特征点的过程，并通过图像检索实验验证了 AnalysisandMachineIntelligence，1998，20(11) 本文所提方法优于传统的 SIFT算法。我们所提出的基于局 [9] BoriiA，htiI．State-ofthe-artinvisualattentionmodeling[J]． 部对称性的 SIFT特征点评估方法具有可扩展性，可以扩展 IEEE TransactionsonPatternAnalysisandMachine Intelli 到优化其他的检测子算法，比如 Harris检测子等。 genee，2013，35(1)：185—207 近些年来，对 SIFT 算法的研究工作不断涌现，然而对如 [1O]WagemansJ．Parallelvisualprocessesinsymmetryperception： 何从候选的SIFT特征点中选择出稳定的局部特征点的研究 Normalityandpathology[J]．Documentaophthalmologica， 却很少。由于对称性对人类视觉注意的重要影响，我们提出 1998，95(3／4)：359—3