噪声图像中的特征检测

Question

我已经构建了一个带有网络摄像头和功能匹配的成像系统，这样当我四处移动摄像头时；我可以跟踪相机的运动。我正在做类似于here 的事情，除了使用网络摄像头框架作为输入。

它对于“好”图像非常有效，但是在非常低的光线下拍摄图像时会出现大量噪点（相机高增益），这会干扰特征检测和匹配。基本上，它没有检测到任何好的特征，当它检测到时，它无法在帧之间正确匹配它们。

有没有人知道一个好的解决方案？还有哪些其他方法可用于查找和匹配特征？

以下是两个特征非常低的示例图像：

Answer 1

我认为phase correlation 将是您在这里的最佳选择。它旨在告诉您两个图像之间的相移（即平移）。与特征检测相比，它对噪声更具弹性（但不能免疫），因为它在频率空间中运行；而特征检测器在空间上运行。另一个好处是，与特征检测方法相比，它非常快。我在 OpenCV 主干中有一个可用的实现，它位于 here 的亚像素精度。

但是，除了中间的折痕之外，您的图像几乎“毫无特色”，因此即使是相位相关也可能会遇到一些问题。把它想象成试图在暴风雪中检测翻译。如果你看到的都是白色的，你根本无法判断你已经翻译了，因此术语whiteout。在您的情况下，该算法可能会受到“greenout”的影响:)

您能否调整相机设置以在弱光条件下更好地工作。您是否完全打开了虹膜？你能忍受较低的帧率吗？设置更长的曝光时间将允许相机收集更多光线，从而以增加运动模糊为代价为您提供更多功能。或者，如果低光是您的默认环境，您可能需要为此设计的东西，例如红外摄像机，但这些可能很昂贵。除此之外，大镜头和长时间曝光是你的朋友:)

Histogram equalization 可能对提高图像对比度感兴趣。但是，有时它只会增强噪音。 OpenCV 有一个名为equalizeHist 的全局直方图均衡函数。对于更本地化的实现，您需要查看对比度受限自适应直方图均衡或简称CLAHE。 Here 是一篇很好的文章。 This 页面有一些很好的例子和一些代码。