‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
參考文獻
[1] Zhenhua Wang, Bin Fan, and Fuchao Wu. Local intensity order pattern for feature descrip-tion. In Computer Vision (ICCV), 2011 IEEE International Conference on, pages 603–610.
IEEE, 2011.
[2] Wen-Hung Liao, Chia-Chen Wu, and Ming-Ching Lin. Feature descriptor based on lo-cal intensity order relations of pixel group. In Pattern Recognition (ICPR), 2016 23rd International Conference on, pages 1977–1981. IEEE, 2016.
[3] Krystian Mikolajczyk and Cordelia Schmid. Scale & affine invariant interest point detec-tors. International journal of computer vision, 60(1):63–86, 2004.
[4] Maurice George Kendall. Rank correlation methods. 1948.
[5] David G Lowe. Distinctive image features from scale-invariant keypoints. International journal of computer vision, 60(2):91–110, 2004.
[6] David G Lowe. Object recognition from local scale-invariant features. In Computer vision, 1999. The proceedings of the seventh IEEE international conference on, volume 2, pages 1150–1157. Ieee, 1999.
[7] Herbert Bay, Tinne Tuytelaars, and Luc Van Gool. Surf: Speeded up robust features. In European conference on computer vision, pages 404–417. Springer, 2006.
[8] Engin Tola, Vincent Lepetit, and Pascal Fua. Daisy: An efficient dense descriptor applied to wide-baseline stereo. IEEE transactions on pattern analysis and machine intelligence, 32(5):815–830, 2010.
‧
[9] Timo Ojala, Matti Pietikäinen, and David Harwood. A comparative study of texture mea-sures with classification based on featured distributions. Pattern recognition, 29(1):51–59, 1996.
[10] Timo Ojala, Matti Pietikainen, and Topi Maenpaa. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on pattern analysis and machine intelligence, 24(7):971–987, 2002.
[11] Michael Calonder, Vincent Lepetit, Christoph Strecha, and Pascal Fua. Brief: Binary robust independent elementary features. In European conference on computer vision, pages 778–792. Springer, 2010.
[12] Ethan Rublee, Vincent Rabaud, Kurt Konolige, and Gary Bradski. Orb: An efficient al-ternative to sift or surf. In Computer Vision (ICCV), 2011 IEEE International Conference on, pages 2564–2571. IEEE, 2011.
[13] Stefan Leutenegger, Margarita Chli, and Roland Y Siegwart. Brisk: Binary robust invariant scalable keypoints. In Computer Vision (ICCV), 2011 IEEE International Conference on, pages 2548–2555. IEEE, 2011.
[14] Alexandre Alahi, Raphael Ortiz, and Pierre Vandergheynst. Freak: Fast retina keypoint. In Computer vision and pattern recognition (CVPR), 2012 IEEE conference on, pages 510–
517. Ieee, 2012.
[15] Zhenhua Wang, Bin Fan, Gang Wang, and Fuchao Wu. Exploring local and overall ordinal information for robust feature description. IEEE transactions on pattern analysis and machine intelligence, 38(11):2198–2211, 2016.
[16] Ondrej Miksik and Krystian Mikolajczyk. Evaluation of local detectors and descriptors for fast feature matching. In Pattern Recognition (ICPR), 2012 21st International Conference on, pages 2681–2684. IEEE, 2012.
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
[17] Krystian Mikolajczyk, Tinne Tuytelaars, Cordelia Schmid, Andrew Zisserman, Jiri Matas, Frederik Schaffalitzky, Timor Kadir, and Luc Van Gool. A comparison of affine region detectors. International journal of computer vision, 65(1-2):43–72, 2005.
[18] Krystian Mikolajczyk and Cordelia Schmid. A performance evaluation of local descriptors.
IEEE transactions on pattern analysis and machine intelligence, 27(10):1615–1630, 2005.
‧
N B R Bark Bikes Boat Graf Leuven Ubc Wall Trees Avg. Dim.
4 4
4 18.06 57.24 30.00 24.32 51.50 72.52 28.64 14.10 37.05 96 6 18.00 58.02 30.02 23.86 53.52 73.42 28.12 15.76 37.59 96 8 17.26 57.26 29.18 23.00 52.48 73.70 26.16 15.66 36.84 96
6
4 18.08 58.08 31.06 25.02 52.08 73.10 29.56 15.12 37.76 144 6 18.52 58.60 30.78 24.80 54.00 74.04 29.32 16.84 38.36 144 8 17.54 58.36 29.98 23.82 53.16 73.92 27.32 16.60 37.59 144
8
4 18.54 58.34 31.24 25.26 52.86 73.40 29.92 15.60 38.15 192 6 18.54 59.12 31.22 24.70 53.76 73.98 29.64 16.92 38.49 192 8 18.22 58.62 30.68 24.06 53.28 73.88 27.84 17.04 37.95 192
5 4
4 18.52 57.64 32.62 25.40 53.86 73.98 30.92 16.60 38.69 480 6 18.88 58.84 33.20 25.48 55.00 74.76 30.84 19.32 39.54 480 8 18.24 59.18 32.40 24.90 54.68 74.76 29.72 19.62 39.19 480
6
4 18.90 58.26 33.30 25.92 54.44 74.22 31.58 17.32 39.24 720 6 18.76 58.98 33.80 25.94 55.36 75.02 31.44 19.80 39.89 720 8 18.54 59.14 32.88 25.66 55.32 75.22 30.20 20.12 39.64 720
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
N B R Bark Bikes Boat Graf Leuven Ubc Wall Trees Avg. Dim.
5 8
4 19.08 57.52 33.46 26.02 54.06 74.58 31.74 17.60 39.26 960 6 18.96 58.70 33.94 26.06 55.20 75.04 31.78 19.96 39.96 960 8 18.48 59.22 33.18 25.84 55.34 75.26 30.46 20.32 39.76 960
6 4
4 18.90 57.74 33.32 25.58 52.92 73.72 31.02 17.02 38.78 2880 6 18.64 58.90 34.14 25.84 54.30 75.26 32.14 20.68 39.99 2880 8 18.72 59.38 33.52 26.14 55.20 75.78 30.86 21.86 40.18 2880
6
4 18.76 57.64 33.66 25.94 53.70 74.16 31.38 17.62 39.11 4320 6 18.80 59.24 34.44 26.28 54.84 75.76 32.32 20.96 40.33 4320 8 18.80 60.08 33.82 25.94 55.12 75.92 31.20 22.02 40.36 4320
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
附錄二 LIOR 像素值差距分佈
我們 使 用 Affine Covariant Feature 資料圖庫八個影像類別共 48 張影像分別使用 K-Means 方法，取出該影像最具代表性的 5 個 patches，以點群數 N = 4 為例分別將各 個patch 的點對像素值差值統計完再累加（當點群數N =4 就會有 C24=6 組點對關係，
也就是每個點都會產生6 個點對像素差值），再分別將各個 patch 的點對像素值差值統 計完再做累加，並標示出根據LIOR 方法所設定的靜態閾值 θp =20 時的累積數量。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
(a) image1 點對像素值差距統計累積圖 (b) image2 點對像素值差距統計累積圖
(c) image3 點對像素值差距統計累積圖 (d) image4 點對像素值差距統計累積圖
(e) image5 點對像素值差距統計累積圖 (f) image6 點對像素值差距統計累積圖
Bark 類別影像取 5 個 patches 各別點對像素值差距統計累積圖 (紅色虛線為點對像素值 差距小於 θp=20 的累積數量)
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
(a) image1 點對像素值差距統計累積圖 (b) image2 點對像素值差距統計累積圖
(c) image3 點對像素值差距統計累積圖 (d) image4 點對像素值差距統計累積圖
(e) image5 點對像素值差距統計累積圖 (f) image6 點對像素值差距統計累積圖
Bikes 類別影像取 5 個 patches 各別點對像素值差距統計累積圖 (紅色虛線為點對像素值 差距小於 θp=20 的累積數量)
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
(a) image1 點對像素值差距統計累積圖 (b) image2 點對像素值差距統計累積圖
(c) image3 點對像素值差距統計累積圖 (d) image4 點對像素值差距統計累積圖
(e) image5 點對像素值差距統計累積圖 (f) image6 點對像素值差距統計累積圖
Boat 類別影像取 5 個 patches 各別點對像素值差距統計累積圖 (紅色虛線為點對像素值 差距小於 θp=20 的累積數量)
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
(a) image1 點對像素值差距統計累積圖 (b) image2 點對像素值差距統計累積圖
(c) image3 點對像素值差距統計累積圖 (d) image4 點對像素值差距統計累積圖
(e) image5 點對像素值差距統計累積圖 (f) image6 點對像素值差距統計累積圖
Graf 類別影像取 5 個 patches 各別點對像素值差距統計累積圖 (紅色虛線為點對像素值 差距小於 θp=20 的累積數量)
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
(a) image1 點對像素值差距統計累積圖 (b) image2 點對像素值差距統計累積圖
(c) image3 點對像素值差距統計累積圖 (d) image4 點對像素值差距統計累積圖
(e) image5 點對像素值差距統計累積圖 (f) image6 點對像素值差距統計累積圖
Leuven 類別影像取 5 個 patches 各別點對像素值差距統計累積圖 (紅色虛線為點對像素 值差距小於 θp=20 的累積數量)
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
(a) image1 點對像素值差距統計累積圖 (b) image2 點對像素值差距統計累積圖
(c) image3 點對像素值差距統計累積圖 (d) image4 點對像素值差距統計累積圖
(e) image5 點對像素值差距統計累積圖 (f) image6 點對像素值差距統計累積圖
Trees 類別影像取 5 個 patches 各別點對像素值差距統計累積圖 (紅色虛線為點對像素值 差距小於 θp=20 的累積數量)
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
(a) image1 點對像素值差距統計累積圖 (b) image2 點對像素值差距統計累積圖
(c) image3 點對像素值差距統計累積圖 (d) image4 點對像素值差距統計累積圖
(e) image5 點對像素值差距統計累積圖 (f) image6 點對像素值差距統計累積圖
Ubc 類別影像取 5 個 patches 各別點對像素值差距統計累積圖 (紅色虛線為點對像素值差 距小於 θp=20 的累積數量)
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
(a) image1 點對像素值差距統計累積圖 (b) image2 點對像素值差距統計累積圖
(c) image3 點對像素值差距統計累積圖 (d) image4 點對像素值差距統計累積圖
(e) image5 點對像素值差距統計累積圖 (f) image6 點對像素值差距統計累積圖
Wall 類別影像取 5 個 patches 各別點對像素值差距統計累積圖 (紅色虛線為點對像素值 差距小於 θp=20 的累積數量)