企业网站免费推广的方法.,互联网站产品开发的流程,手机怎么创建网站,理发店会员管理软件免费降维在机器学习领域其实是很重要的一部分#xff0c;因为在高维情形下回出现样本稀疏#xff0c;计算距离、内积困难#xff0c;是所有机器学习面临的共同问题#xff0c;被称为维数灾难#xff08;Curse of dimensionality#xff09;#xff0c;而降维就是解决的一个办…降维在机器学习领域其实是很重要的一部分因为在高维情形下回出现样本稀疏计算距离、内积困难是所有机器学习面临的共同问题被称为维数灾难Curse of dimensionality而降维就是解决的一个办法它不仅让运算量变简单还因为将原始数据投影在主特征分量上可以抵抗一些噪声的干扰。因为想通过降维来缩小图像配准过程中特征点匹配的运算量也在公众号机器学习算法工程师中看到了一些降维的方法比如PCA、核化kernelized应该就是核机制吧实现非线性降维、流行学习、度量学习。当然最成熟的还是PCA虽然很早就出现了PCA-SIFT但还是想先自己动手实现一下。思路是先导出Lowe格式的特征点txt文件然后再在import的时候修改函数降维写入descr_pca数组中再导出得到64维的特征点。这时再导入降维之后的数据通过这些数据来实现图像配准。
这时候就又出现问题了构建kd树的过程很慢而且无法得到配准结果。后来才意识到自己用的boat的图像的特征点数据却在实验中用的beaver图像当改正这个错误并且导入原始的特征点数据后做实验结果匹配对的错误率很高怀疑是不是因为stack_imgs把两幅图像显示在一起造成坐标变换的原因。但是最起码img1部分的特征点应该正常啊现在的情况是完全不对。。
从调试情况来看import部分没有问题第一个点都是254,297对应的第二幅图中检测到的是134,258与txt中的数据吻合。在Lowe格式的txt特征点文件中第一行是特征点个数和描述子维数对每一个特征点第一行四个数据依次是特征点的y坐标x坐标特征点的尺度特征点的方向然后是128个double型数字https://blog.csdn.net/masibuaa/article/details/9204157。问题似乎出在构建kd树之后的寻找匹配对的过程中。Kd树是对图2的特征点feat2构建的对feat1中的特征点遍历在kd树中寻找对应的匹配点。找到的第一对是3,15-4,20.
源码尤其是c语言对指针的运用真的是好复杂。如下在导入特征点中和对kd树中进行knn查找的过程中分别有两重指针和三重指针。
static int import_lowe_features( char*filename, struct feature** features )//静态函数不能被其他文件使用所以其他文件也可以有相同的函数名
int kdtree_bbf_knn( struct kd_node*kd_root, struct feature* feat, int k,struct feature*** nbrs, int max_nn_chks )
在import_lowe_features函数中有下面关键的两句
f calloc( n, sizeof(struct feature) );//在内存的动态存储区中分配n个长度为size的连续空间函数返回一个指向分配起始地址的指针
*features f;//相当于featuref??把features复数指向f //首地址赋给*features
于是将import_features(path1, 1, feat1);改为import_features(path1,1, import_feat1);//第三个参数是指针的指针struct feature** import_feat1NULL//初始化运行的时候异常。
看来还是要用feat1因为源码中原始的特征点检测也是这么写的n1 sift_features( img1, feat1 );
后来发现在 feat feat1 i;//指针的加法 之前动态分配长度为n的内存之后fscanf坐标值的时候就出错了。fscanf读取txt文件要求txt文件编码方式为ANSI这个没有出错。
fscanf( file, %lf %lf %lf %lf, y, x, s, o ) ! 4 )//%lf是double类型输入 fscanf返回读取的长度
两个格式控制符%lf之间是空格适用于数据之间是空格若数据之间是逗号格式控制符之间也是逗号这个也没有出错。
结果尴尬了一步步调试看第一个特征点的各个参数坐标是对的一个个看128维描述子发现到64的时候就跳变为第二个特征点了。真相大白原来是自己在做导入降维后的txt文件时把d修改为64在这里验证128维的时候忘记改回去了。。如下是按照lowe格式导入特征点信息做的图像配准其中特征点导入费时4s左右。
这是直接对图像做的特征点检测和配准其中特征点检测就耗时26s
回头再看导入64维的描述子。速度奇慢且无法完成配准。报错说找到的匹配对太少。打开降维后的txt文件
7875 64
297.440434 254.241265 80.338874 -1.8660192 01 0 0 0 0 0 -1 0 0 0 0 0 0 0 -1 0 0 00 00 0 3 0 0 0 0 0 0 0 0 0 -1 0 0 0 0 0-1 00 0 0 0 0 0 -1 0 0 0 0 0 0 0 0 1 0 00 00 0
557.449920 181.560168 42.599985 1.4649654 -10 -1 0 0 0 3 0 0 1 0 0 0 0 0 -1 -1 0 00 00 0 0 -2 1 0 0 0 0 0 3 1 -1 1 0 0 0 10 21 0 0 0 0 -1 -3 0 -1 0 0 0 0 -1 -2 0 0 00 00 -1
可以看到64个特征数据分为20*34.而在导入的时候特征点的坐标是取一行四个数值那行的前两个值的这样就会把一部分描述子也误当做坐标值和尺度大小即梯度。
Pcad 过程中对特征值和特征向量的行列数还是认识不够最后将result写成方阵才不中断。后来导出成了4*4维的描述子。这样再导入到程序中来配准找到500多个匹配对但是画不出匹配的连线。调试过程中发现匹配对也不正确会不会是降维后kd树中查找knn中阈值也要改变。
