# DAISY Efficient Dense Descriptor **Repository Path**: ThreeAutumns/DAISYEfficientDenseDescriptor ## Basic Information - **Project Name**: DAISY Efficient Dense Descriptor - **Description**: Explanation and application of paper "DAISY: An Efficient Dense Descriptor Applied to Wide-Baseline Stereo" - **Primary Language**: Python - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2021-06-10 - **Last Updated**: 2021-06-10 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # DAISY-Efficient-Dense-Descriptor [English](https://github.com/KangCai/DAISY-Efficient-Dense-Descriptor/blob/master/README.md) 很高兴你发现了这个项目，该项目是对一个论文算法的解释和应用，原论文是 "DAISY: An Efficient Dense Descriptor Applied to Wide-Baseline Stereo"。欢迎提出任何意见或建议。 --- ### 原文概述本文介绍了一种局部图像描述子，名叫 DAISY，能有效地进行密集计算。本文还提供了一种从**宽基线**图像对计算**密集深度**和**遮挡地图**的 EM 算法。在宽基线应用场景下，DAISY 表现效果明显优于在窄基线场景中使用的常用算法。此外，使用 DAISY 使得我们的算法对多光照和几何变换具有鲁棒性。 DAISY 设计的灵感来源于早期的一些描述子，比如 SIFT 和 GLOH，但比它们计算速度都快的多；然而又不像 SURF（一种基于 SIFT 的高效改进算法），不会因为引入了 artifacts 而降低匹配效果。值得注意的是，DAISY 是第一个尝试从宽基线图像对来估计密集深度图的算法，而且证明了 DAISY 在深度估计准确率、遮挡检测、还有与其它激光扫描真实场景应用中其它描述子的对比上，是一个表现不错的描述子。本文还在多个不同光照和几何变换的室内室外场景下对 DAISY 进行测试，结果表明 DAISY 对这些场景的不同具有鲁棒性。 --- ### 算法流程 **1. 计算每个像素的一维梯度，进而计算梯度方向、幅度，并统计它对不同方向的贡献（权重占比）** 不同方向的梯度可以用一维梯度来计算，计算高效，如下所示，

**2. 计算每个像素以该像素为中心的，高斯卷积核平滑后的，作为不同层（中心、内、中、外）上、对不同方向的贡献** 不仅同一个像素的直方图可以被周边多个采样点重复使用，加快计算效率；而且对于同一像素的外层直方图也可以根据内层直方图计算得到，如下所示，

**3. 对某一个像素，统计其周边不同层、不同方向上的直方图特征，假设维度为 D** 得到一个采样点的特征表示如下，维度 D = number_of_rings * d(h) = (rings * histograms + 1) * orientations，如下所示，

**4. 以固定步长采样的方式获取 P 个采样点；总数据量为 P * D** 以固定的宽和高的步长进行采样，如下所示是总的特征示意图，