KAZE算法资源：
1. 论文： http://www.robesafe.com/personal/pablo.alcantarilla/papers/Alcantarilla12eccv.pdf
2. 项目主页：http://www.robesafe.com/personal/pablo.alcantarilla/kaze.html
3. 作者代码：http://www.robesafe.com/personal/pablo.alcantarilla/code/kaze_features_1_4.tar
（需要boost库，另外其计时函数的使用比较复杂，可以用OpenCV的cv::getTickCount代替）
4. Computer Vision Talks的评测：http://computer-vision-talks.com/2013/03/porting-kaze-features-to-opencv/
5. Computer Vision Talks 博主Ievgen Khvedchenia将KAZE集成到OpenCV的cv::Feature2D类，但需要重新编译OpenCV，并且没有实现算法参数调整和按Mask过滤特征点的功能：https://github.com/BloodAxe/opencv/tree/kaze-features
6. 我在Ievgen的项目库中提取出KAZE，封装成继承cv::Feature2D的类，无需重新编译OpenCV，实现了参数调整和Mask过滤的功能: https://github.com/yuhuazou/kaze_opencv
7. Matlab 版的接口程序，封装了1.0版的KAZE代码：https://github.com/vlfeat/vlbenchmarks/blob/unstable/%2BlocalFeatures/Kaze.m
2.2 KAZE特征检测与描述
KAZE特征的检测步骤大致如下：
1) 首先通过AOS算法和可变传导扩散（Variable Conductance Diffusion）（[4,5]）方法来构造非线性尺度空间。
2) 检测感兴趣特征点，这些特征点在非线性尺度空间上经过尺度归一化后的Hessian矩阵行列式是局部极大值（3×3邻域）。
3) 计算特征点的主方向，并且基于一阶微分图像提取具有尺度和旋转不变性的描述向量。
2.2.1 非线性尺度空间的构造
KAZE特征的尺度空间构造与SIFT类似。尺度级别按对数递增，共有O组octaves，每个octave有S个sub-level。与SIFT中每个新octave逐层进行降采样不同的是，KAZE的各个层级均采用与原始图像相同的分辨率。不同的octave和sub-level分别通过序号o和s来标记，并且通过下式与尺度参数σ相对应：
其中σ0是尺度参数的初始基准值，N=O*S是整个尺度空间包含的图像总数。由前面的介绍知道，非线性扩散滤波模型是以时间为单位的，因此我们需要将像素为单位的尺度参数σi转换至时间单位。在高斯尺度空间下，使用标准差为σ的高斯核对图像进行卷积，相当于对图像进行持续时间为t=σ2/2的滤波(In the case of the Gaussian scale space, the convolution of an image with a Gaussian of standard deviation σ (in pixels) is equivalent to filtering the image for some time t=σ2/2. 这段话不大好理解)。由此我们可得到尺度参数σi转换至时间单位的映射公式如下：
ti被称为进化时间（evolution time）。值得注意的是，这种映射仅用于获取一组进化时间值，并通过这些时间值来构造非线性尺度空间。一般地，在非线性尺度空间里，与ti对应的滤波图像（filtered image）与使用标准差为σ的高斯核对原始图像进行卷积所得的图像并没有直接联系（In general, in the nonlinear scale space at each filtered image ti the resulting image does not correspond with the convolution of the original image with a Gaussian of standard deviation σi. 这句话也不好理解）。不过只要使传导函数g恒等于1（即g是一个常量函数），非线性尺度空间就等同于高斯尺度空间。而且随着尺度层级的提升，除了那些对应于目标轮廓的图像边缘像素外，大部分像素对应的传导函数值将趋于一个常量值。
对于一幅输入图像，KAZE算法首先对其进行高斯滤波；然后计算图像的梯度直方图，从而获取对比度参数k；根据一组进化时间，利用AOS算法即可得到非线性尺度空间的所有图像：
具体实现
typedef struct
{
cv::Mat Lx, Ly; // 一阶微分图像（First order spatial derivatives）
cv::Mat Lxx, Lxy, Lyy; // 二阶微分图像（Second order spatial derivatives）
cv::Mat Lflow; // 传导图像（Diffusivity image）
cv::Mat Lt; // 进化图像（Evolution image）
cv::Mat Lsmooth; // 平滑图像（Smoothed image）
cv::Mat Lstep; // 进化步长更新矩阵（Evolution step update）（！！实际未被使用！！）
cv::Mat Ldet; // 检测响应矩阵（Detector response）
float etime; // 进化时间（Evolution time）
float esigma; // 进化尺度（Evolution sigma. For linear diffusion t = sigma^2 / 2）
float octave; // 图像组（Image octave）
float sublevel; // 图像层级（Image sublevel in each octave）
int sigma_size; // 图像尺度参数的整数值，用于计算检测响应（Integer esigma. For computing the feature detector responses）
}tevolution;
结构体的初始化如下：
//*******************************************************************************
//*******************************************************************************
/**
* @brief This method allocates the memory for the nonlinear diffusion evolution
*/
void KAZE::Allocate_Memory_Evolution(void)
{
// Allocate the dimension of the matrices for the evolution
for( int i = 0; i <= omax-1; i++ )
{
for( int j = 0; j <= nsublevels-1; j++ )
{
tevolution aux;
aux.Lx = cv::Mat::zeros(img_height,img_width,CV_32F);
aux.Ly = cv::Mat::zeros(img_height,img_width,CV_32F);
aux.Lxx = cv::Mat::zeros(img_height,img_width,CV_32F);
aux.Lxy = cv::Mat::zeros(img_height,img_width,CV_32F);
aux.Lyy = cv::Mat::zeros(img_height,img_width,CV_32F);
aux.Lflow = cv::Mat::zeros(img_height,img_width,CV_32F);
aux.Lt = cv::Mat::zeros(img_height,img_width,CV_32F);
aux.Lsmooth = cv::Mat::zeros(img_height,img_width,CV_32F);
aux.Lstep = cv::Mat::zeros(img_height,img_width,CV_32F);
aux.Ldet = cv::Mat::zeros(img_height,img_width,CV_32F);
aux.esigma = soffset*pow((float)2.0,(float)(j)/(float)(nsublevels) + i);
aux.etime = 0.5*(aux.esigma*aux.esigma);
aux.sigma_size = fRound(aux.esigma);
aux.octave = i;
aux.sublevel = j;
evolution.push_back(aux);
}
}
// Allocate memory for the auxiliary variables that are used in the AOS scheme
Ltx = cv::Mat::zeros(img_width,img_height,CV_32F);
Lty = cv::Mat::zeros(img_height,img_width,CV_32F);
px = cv::Mat::zeros(img_height,img_width,CV_32F);
py = cv::Mat::zeros(img_height,img_width,CV_32F);
ax = cv::Mat::zeros(img_height,img_width,CV_32F);
ay = cv::Mat::zeros(img_height,img_width,CV_32F);
bx = cv::Mat::zeros(img_height-1,img_width,CV_32F);
by = cv::Mat::zeros(img_height-1,img_width,CV_32F);
qr = cv::Mat::zeros(img_height-1,img_width,CV_32F);
qc = cv::Mat::zeros(img_height,img_width-1,CV_32F);
}
值得注意的是，上述参数中，esigma、etime、esigma_size、octave和sublevel等在初始化后就固定了、不再变化。初始化完成后，首先进行非线性尺度空间的构造，其对应函数为：
//*******************************************************************************
//*******************************************************************************
/**
* @brief This method creates the nonlinear scale space for a given image
* @param img Input image for which the nonlinear scale space needs to be created
* @return 0 if the nonlinear scale space was created successfully. -1 otherwise
*/
int KAZE::Create_Nonlinear_Scale_Space(const cv::Mat &img)
{
if( verbosity == true )
{
std::cout << "\n> Creating nonlinear scale space." << std::endl;
}
double t2 = 0.0, t1 = 0.0;
if( evolution.size() == 0 )
{
std::cout << "---> Error generating the nonlinear scale space!!" << std::endl;
std::cout << "---> Firstly you need to call KAZE::Allocate_Memory_Evolution()" << std::endl;
return -1;
}
int64 start_t1 = cv::getTickCount();
// Copy the original image to the first level of the evolution
if( verbosity == true )
{
std::cout << "-> Perform the Gaussian smoothing." << std::endl;
}
img.copyTo(evolution[0].Lt);
Gaussian_2D_Convolution(evolution[0].Lt,evolution[0].Lt,0,0,soffset);
Gaussian_2D_Convolution(evolution[0].Lt,evolution[0].Lsmooth,0,0,sderivatives);
// Firstly compute the kcontrast factor
Compute_KContrast(evolution[0].Lt,KCONTRAST_PERCENTILE);
t2 = cv::getTickCount();
tkcontrast = 1000.0 * (t2 - start_t1) / cv::getTickFrequency();
if( verbosity == true )
{
std::cout << "-> Computed K-contrast factor. Execution time (ms): " << tkcontrast << std::endl;
std::cout << "-> Now computing the nonlinear scale space!!" << std::endl;
}
// Now generate the rest of evolution levels
for( unsigned int i = 1; i < evolution.size(); i++ )
{
Gaussian_2D_Convolution(evolution[i-1].Lt,evolution[i].Lsmooth,0,0,sderivatives);
// Compute the Gaussian derivatives Lx and Ly
Image_Derivatives_Scharr(evolution[i].Lsmooth,evolution[i].Lx,1,0);
Image_Derivatives_Scharr(evolution[i].Lsmooth,evolution[i].Ly,0,1);
// Compute the conductivity equation
if( diffusivity == 0 )
{
PM_G1(evolution[i].Lsmooth,evolution[i].Lflow,evolution[i].Lx,evolution[i].Ly,kcontrast);
}
else if( diffusivity == 1 )
{
PM_G2(evolution[i].Lsmooth,evolution[i].Lflow,evolution[i].Lx,evolution[i].Ly,kcontrast);
}
else if( diffusivity == 2 )
{
Weickert_Diffusivity(evolution[i].Lsmooth,evolution[i].Lflow,evolution[i].Lx,evolution[i].Ly,kcontrast);
}
// Perform the evolution step with AOS
#if HAVE_THREADING_SUPPORT
AOS_Step_Scalar_Parallel(evolution[i].Lt,evolution[i-1].Lt,evolution[i].Lflow,evolution[i].etime-evolution[i-1].etime);
#else
AOS_Step_Scalar(evolution[i].Lt,evolution[i-1].Lt,evolution[i].Lflow,evolution[i].etime-evolution[i-1].etime);
#endif
if( verbosity == true )
{
std::cout << "--> Computed image evolution step " << i << " Evolution time: " << evolution[i].etime <<
" Sigma: " << evolution[i].esigma << std::endl;
}
}
t2 = cv::getTickCount();
tnlscale = 1000.0*(t2-start_t1) / cv::getTickFrequency();
if( verbosity == true )
{
std::cout << "> Computed the nonlinear scale space. Execution time (ms): " << tnlscale << std::endl;
}
return 0;
}
上述函数中K值的计算、传导函数g以及AOS求解等的实现函数在上一篇文章《非线性扩散滤波》已提及。图像微分/梯度的计算用到了Scharr滤波器，这种滤波器具有比Sobel滤波器更好的旋转不变特性。这里涉及的卷积和微分计算函数如下：
//*************************************************************************************
//*************************************************************************************
/**
* @brief This function smoothes an image with a Gaussian kernel
* @param src Input image
* @param dst Output image
* @param ksize_x Kernel size in X-direction (horizontal)
* @param ksize_y Kernel size in Y-direction (vertical)
* @param sigma Kernel standard deviation
*/
void Gaussian_2D_Convolution(const cv::Mat &src, cv::Mat &dst, unsigned int ksize_x,
unsigned int ksize_y, float sigma)
{
// Compute an appropriate kernel size according to the specified sigma
if( sigma > ksize_x || sigma > ksize_y || ksize_x == 0 || ksize_y == 0 )
{
ksize_x = ceil(2.0*(1.0 + (sigma-0.8)/(0.3)));
ksize_y = ksize_x;
}
// The kernel size must be and odd number
if( (ksize_x % 2) == 0 )
{
ksize_x += 1;
}
if( (ksize_y % 2) == 0 )
{
ksize_y += 1;
}
// Perform the Gaussian Smoothing with border replication
cv::GaussianBlur(src,dst,cv::Size(ksize_x,ksize_y),sigma,sigma,cv::BORDER_REPLICATE);
}
//*************************************************************************************
//*************************************************************************************
/**
* @brief This function computes image derivatives with Scharr kernel
* @param src Input image
* @param dst Output image
* @param xorder Derivative order in X-direction (horizontal)
* @param yorder Derivative order in Y-direction (vertical)
* @note Scharr operator approximates better rotation invariance than
* other stencils such as Sobel. See Weickert and Scharr,
* A Scheme for Coherence-Enhancing Diffusion Filtering with Optimized Rotation Invariance,
* Journal of Visual Communication and Image Representation 2002
*/
void Image_Derivatives_Scharr(const cv::Mat &src, cv::Mat &dst, unsigned int xorder, unsigned int yorder)
{
// Compute Scharr filter
cv::Scharr(src,dst,CV_32F,xorder,yorder,1,0,cv::BORDER_DEFAULT);
}
上面我们介绍了非线性尺度空间的构造原理和实现方法，下一节将介绍KAZE特征点的检测和描述算法。
待续...
Ref：
[4] http://wenku.baidu.com/view/d9dffc34f111f18583d05a6f.html
[5] http://erie.nlm.nih.gov/~yoo/pubs/94-058.pdf