features_orb — MATCHREG `featmatch` op

• Datenarten: image2d → table

• Aufruf: import fullseye as fs; fs.ledger.features_orb(image, n_features=1000, n_levels=8, scale_factor=1.2, fast_threshold=0.08, harris_k=0.04) (die Implementierung direkt: import featmatch; featmatch.features_orb(image, n_features=1000, n_levels=8, scale_factor=1.2, fast_threshold=0.08, harris_k=0.04); aus dem Register: opsmatchreg.get("features_orb"))

• GPU: nein (nur CPU-Referenzimplementierung)

Verwendung

ORB-Merkmalspunkte und 256-Bit-Binärdeskriptoren (Rublee et al. 2011). → table (kind="features").

> Die ausführliche Beschreibung unten ist der Originaltext — Zusammenfassung und Überschriften sind übersetzt.

縮小の段(scale_factor ずつ n_levels 段)ごとに FAST-9 の角(features.fast_corners を再利用)を拾い、Harris の応答で順位をつけて段ごとの割り当て数だけ残す。向きは半径 15 の円の輝度重心(Rosin 1999)、記述子はガウス(σ=2)でならした像の上で、向きに合わせて回した 256 組の明暗比較。

★学習した rBRIEF の対の表は使わない(乱数で固定した対 = steered BRIEF)。OpenCV の ORB の記述子とはビット単位で一致しない。比べられるのは「照合して推定したホモグラフィの誤差」まで。

座標は原画像の (x, y)(段の座標 × 段の倍率)。scale は段の倍率 × 31(パッチの一辺)。

Args:

image: 2-D の濃淡画像([0, 1] の尺度。fast_threshold がこの尺度)。

n_features: 全段の合計の上限(段ごとの割り当ては面積に比例する等比数列)。

n_levels: 段の数。

scale_factor: 段の縮小率(> 1)。

fast_threshold: FAST の明暗差のしきい値(既定 0.08 ≈ 20/255)。

harris_k: Harris の k。

Returns:

dict(kind="features", detector="orb")。descriptors は (N,32) uint8

(256 bit を詰めたもの)、descriptor_kind="binary"。他の鍵は features_sift と同じ。

Raises:

ValueError: 2-D でない / 16 px 未満 / 非有限 / 定数画像 / 引数が値域外(scale_factor <= 1 など)。

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie matching_registration

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• poc_part_locate_features — py -3.11 examples/poc_part_locate_features.py

Typkompatible Folge-Operatoren (nehmen `table` als Eingabe)

features_match · ransac_homography · ransac_fundamental · registration_to_flow2d

Gleiche Kategorie (`featmatch`)

features_sift · features_match · ransac_homography · ransac_fundamental · features_accuracy_table

*Provenance: featmatch.py — MATCHREG Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

features_orb — MATCHREG featmatch op