一般多通道函数的高斯-埃尔米特矩不变量
计算机视觉与模式识别
2023-01-09 v2
摘要
随着数据采集技术的发展,大量多通道数据被收集并广泛应用于诸多领域。其中大多数,如 RGB 图像与向量场,可表示为不同类型的多通道函数。针对多通道数据提取特征以识别感兴趣模式是一项关键但具挑战性的任务。本文聚焦于构建基于矩的一般多通道函数特征。具体而言,我们定义两种变换模型——旋转-仿射变换与全旋转变换——以描述多通道数据的实际形变。随后,我们设计一个结构化框架,为这两种变换模型系统地生成高斯-埃尔米特矩不变量。这是文献中首次提出构建一般多通道函数正交矩不变量的统一框架。给定特定类型的多通道数据,我们演示如何利用新方法导出所有可能的不变量并消除它们之间的依赖关系。我们获得了 RGB 图像、二维向量场与彩色体数据的低阶低次独立不变量集。基于合成与真实多通道数据,我们进行了大量实验以评估这些不变量的稳定性、可判别性及其对噪声的鲁棒性。结果表明,新的矩不变量在 RGB 图像分类与二维向量场涡旋检测中显著优于以往的多通道数据矩不变量。
引用
@article{arxiv.2201.00877,
title = {Gaussian-Hermite Moment Invariants of General Multi-Channel Functions},
author = {Hanlin Mo and Hua Li and Guoying Zhao},
journal= {arXiv preprint arXiv:2201.00877},
year = {2023}
}