我一直在学习 Udacity 计算机视觉课程，到目前为止让我感到困惑的一件事是广义霍夫变换与使用互相关在边缘图像上进行特征匹配有何不同。
据我了解，广义霍夫变换要求您知道要查找的对象的大小、形状和方向，并使用该对象的边缘，基于 R 表对该对象进行参数化。我知道它可以推广到大小和方向，但这样做也很昂贵。现在，假设您选择不概括。
考虑到这些限制，你不能只使用 Hough 变换训练的相同边缘图像进行互相关特征匹配吗？
有什么不同？在这种情况下，霍夫是否有任何理由会表现得更好，而不是概括到大小和方向？
广义霍夫变换与互相关特征匹配的区别
信息处理
计算机视觉
互相关
霍夫变换
模板匹配
2022-02-02 04:36:01
1个回答
有一个很大的区别：霍夫变换将输入空间映射到一个参数空间，在那里进行搜索。这样，算法的运行时间与空间搜索空间的程度无关。从这个意义上说，基于相关性的方法更具有蛮力，因为它们显式地搜索所有转换。当然，有一些方法可以更有效地进行搜索。
霍夫变换可以很容易地在几乎没有成本的情况下实现旋转不变。这可以推广到其他类型的线性变换，只要累加器空间不会过度增长，因为 Hough 倾向于在计算效率与存储之间进行权衡。
互相关类型的方法占用的内存较少，并且更容易扩展到任意变换。此外，它们允许明确控制距离度量，从而产生更多创造力。然而，除非仔细实施，否则它们通常往往很慢。这是因为它们需要在整个输入空间中搜索所有（或部分）转换空间。由于这个比较论文，具有有效距离度量的良好实现的相关方法可以胜过基于 Hough 的方法。因此，我们可以说可以对相关方法进行许多近似，但应确保性能不会降低。
其它你可能感兴趣的问题