histogram-basedinterestpointdetectors(編輯修改稿)
2025-08-11 18:53 本頁面
【文章內(nèi)容簡介】 N的行向量，為 N個狀態(tài)的馬爾可夫平穩(wěn)分布，可以由 計算得到。 NNP180。各態(tài)歷經(jīng)馬爾可夫鏈 ijp.Ppp=pP ? 基本矩陣 Z定義成 ? 其中 I是單位陣 Wppp驏 247。231。 247。231。247。231。 247。231。 247。231。247。= 231。 247。231。 247。247。231。247。231。 247。231。 247。231。桫M各態(tài)歷經(jīng)馬爾可夫鏈 nP( ) 1Z I P W = +是當(dāng) n趨于無窮大時 的極限 ? 表示從 t=0時刻出發(fā)，從狀態(tài) i出發(fā)返回到狀態(tài) i的期望步數(shù)。 ? 表示從 t=0時刻出發(fā)，從狀態(tài) i出發(fā)返回到狀態(tài) j的期望步數(shù)。 ? 表示從 t=0時刻出發(fā)，從平穩(wěn)分布出發(fā)返回到狀態(tài) i的期望步數(shù)。 ( )iiET各態(tài)歷經(jīng)馬爾可夫鏈 ( )ijET( )iETp( ) 1iiiET p=( ) ( ) ( )i j j j jj ijE T E T Z Z=?( ) ( )i i i iiE T E T Zp =?圖表示 ? 將一幅圖像劃分成若干個 8 8的小塊，每一個小塊表示成一個節(jié)點（頂點），各小塊之間的相似性程度是連接節(jié)點的邊。 ( ),I G V E222。vV206。eE206。ijw8 8圖像塊塊 節(jié)點之間的連接 基于兩節(jié)點的特征集相似性的邊的權(quán)重 圖表示 ? 計算局部塊的方向直方圖，塊的復(fù)雜度由直方圖的熵得到： ? 在 YCbCr域中得到 Cb和 Cr。 ? 在尺度空間中得到五個尺度下的直方圖的熵。 ? 這樣得到特征向量為： ( ) ( )l o gP P i P iiE H Hqq= 229。 是相應(yīng)于方向 的第 i個 bin的直方圖的值 ( )PiH q iq15, , , ...,brx C C E Err輊= 犏臌圖表示 ? 由得到的各頂點的特征向量計算權(quán)重： ? N N仿射矩陣 獲得圖像特征的全局方面： ? 所有連向節(jié)點 i的權(quán)重之和： ? 全連接的轉(zhuǎn)移矩陣計算如下： ? 可以得到： 22ijxxijwe s=gA,0,ijgijw i jAij236。 185。239。239。= 237。239。=239。238。gi ijjdw= 229。{ }12, , ...,g g g gND d ia g d d d=1g g gP D A=gpgZ ( )giiET ( )gijET ( )g iETpgid圖表示 ? N N仿射矩陣 獲得圖像特征的局部方面： ? 表示節(jié)點 i的空間鄰域節(jié)點 ? 同理得到： lA( ),0,l ijijw j N iAo th e r wis e236。 206。239。239。= 237。239。239。238。()NilD lP lplZ ( )liiET ( )lijET ( )l iETp節(jié)點選擇 ? 最顯著節(jié)點 – 在 plete graph上，其他所有節(jié)點到最顯著節(jié)點的步數(shù)的期望和 應(yīng)當(dāng)盡可能大。 – 在 kregular graph上，鄰域節(jié)點到到最顯著節(jié)點的步數(shù)的期望和 應(yīng)當(dāng)盡可能小。 – 任意節(jié)點的顯著性值由下式定義： – 最顯著節(jié)點： ( )l iETp( )g iETp( )( )gii liETNS a lETpp=a r g m a xS i iN N Sal=節(jié)點選擇 圖中紅色區(qū)域代表最顯著節(jié)點 節(jié)點選擇 ? 背景節(jié)點 – 第一個背景節(jié)點： ? 顯然第一個背景節(jié)點選擇那些本身顯著值低且與最顯著節(jié)點最不相似的節(jié)點。 – 第 n個背景節(jié)點：
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號-1