Image processing 图像哈希的离散余弦变换更灵活
我正在使用感知散列的概念来处理我的图像。使用DCT作为基础数学,它工作得很好 我得到了很好的图像匹配,这些图像是同一条“攻击”线,即纵横比、亮度、对比度和大多数与颜色变化相关的东西 然而,我正在寻找更多的灵活性,并希望能够找到类似性质的图像,使用图像搜索其他图像。类似于你能做什么Image processing 图像哈希的离散余弦变换更灵活,image-processing,dct,Image Processing,Dct,我正在使用感知散列的概念来处理我的图像。使用DCT作为基础数学,它工作得很好 我得到了很好的图像匹配,这些图像是同一条“攻击”线,即纵横比、亮度、对比度和大多数与颜色变化相关的东西 然而,我正在寻找更多的灵活性,并希望能够找到类似性质的图像,使用图像搜索其他图像。类似于你能做什么 DCT使我获得图像(结构)的最低频率。我可以在这里做些什么来增加灵活性吗?如何使用转换后的数据来比较相邻像素之间的增量?如果结果实际上是相同的,那么这难道不能处理相同但更亮的图像吗?如果增量不同但仍与源图像成比例,该怎
DCT使我获得图像(结构)的最低频率。我可以在这里做些什么来增加灵活性吗?如何使用转换后的数据来比较相邻像素之间的增量?如果结果实际上是相同的,那么这难道不能处理相同但更亮的图像吗?如果增量不同但仍与源图像成比例,该怎么办?这难道不是一幅对比度更高的图像吗?所以我目前的版本在亮度、对比度以及任何与改变像素“颜色”有关的方面都很好。如果从稍微不同的角度拍摄图像,我需要灵活性。啊,抱歉,我读到这句话:“我得到了很好的匹配…阻止了一些“攻击”,即亮度”,因为“我得到了图像的匹配,除了那些有亮度的,等等,差异”稍微不同的角度意味着投影变换,所以你可能在寻找投影不变量。一条直线上四个特征的交叉比可能是一个可以使用的示例。不过这很棘手,一种经典的计算机视觉方法是兴趣点提取(也称为“功能”),比如SIFT(专利,速度慢,但很好),SURF(速度快,也有专利)和其他一些方法。特征匹配在广泛的转换中提供了很大的灵活性。它涉及到一系列非平凡且可能昂贵的操作,例如高维空间中的最近邻搜索。