matlab练习程序（BRIEF描述子）

BRIEF特征全称：Binary Robust Independent Elementary Features。是一种能够快速计算图像特征描述符的方法，同样能够降低特征匹配的时间。

算法计算步骤如下：

1.首先对一张图像计算其特征点，这里就用matlab自带的harris角点检测了，harris代码细节可以参考这一篇博客。

2.对图像进行高斯滤波，这里选用9*9矩阵，主要是为了去除随机噪点。

3.以特征点为中心，取SxS的邻域窗口。在窗口内随机选取一对（两个）点，比较二者像素的大小，进行如下二进制赋值。

其中，p(x)，p(y)分别是随机点x=(u1,v1),y=(u2,v2)的像素值。

 4.选窗口内随机点对的策略有以下五种方法，推荐第二种：

对应的邻域随机点对图像如下（一条线段的两个端点是一对）：

5.最终就得到了多组二进制编码，后续匹配可以利用编码距离来确定特征点的相似度。

一定要注意的是后续匹配要选用相同的点对，所以这组点对是要保留的。

matlab代码如下：

clear all;
close all;
clc;

R = 48;     %特征邻域窗口直径
K = 9;      %高斯滤波半径
N = 256;    %特征位数

img=imread('lena.jpg');
imshow(img)
[h,w]=size(img);

p = detectHarrisFeatures(img);          %系统自带的检测harris角点
p = p.Location;

p = p(p(:,1)>R & p(:,1)<h-R & ...       %将太靠近边界的特征点去掉,避免邻域随机点越界
    p(:,2)>R & p(:,2)<w-R,:);

H=fspecial('gaussian',[K K],2);         %高斯平滑
img=imfilter(img,H,'replicate');

s = normrnd(0,R/5,N,4);                 %生成邻域中随机点对GII
figure;                                 %显示一下
for i=1:N
   plot(s(i,1:2),s(i,3:4));    
   hold on;
end

tao = zeros(length(p),N);
for i=1:length(p)           %生成所有特征点的brief描述子    
    px = floor(p(i,:) + s(:,1:2));      %懒得插值提亚像素值了，直接最邻近
    py = floor(p(i,:) + s(:,3:4));
    
    for j=1:N
        if img(px(j,2),px(j,1)) < img(py(j,2),py(j,1)) 
            tao(i,j) = 1;
        else
            tao(i,j) = 0;
        end
    end
    
    img(floor(p(i,2)),floor(p(i,1))) = 255;
end
figure;                 %显示harris角点
imshow(img,[])

figure;                 %显示一下描述子
imshow(tao,[])

结果如下：

原图：

Harris特征点：

邻域随机点对，这里使用GII：

BRIEF描述子，这里可视化了：

参考：https://blog.csdn.net/hujingshuang/article/details/46910259