feature(특징점)

1. 개념
   1. 영상 내 추출한 정보
   2. 특징점은 Point, edges, objects와 같은 다양한 구조임
   3. 특징점은 이웃한 픽셀들의 정보를 활용하여 생성 될 수 있음
2. 좋은 특징점 조건(아래 사항들에도 변하지 않아야함)
   1. illumination(조명)
   2. transclation(위치)
   3. scale(크기)
   4. rotation(회전)
   5. perperctive transform
   6. 값이 싸고 메모리 효율이 좋아야함
      
3. 이미지 특징점 방식
   
   1. detector(=Extractor): 영상 내 특정한 위치가 feature인지 판별
   2. descriptor: 특정한 위치가 feature로 판별되었을 때 특정한 기준을 설정하는 것(특징점 주위 밝기, 색상, 그레디언트 방향 계산)
   3. 종류
      1. ORB(oFast detector + r-BRIEF descriptor)
         1. 빠르고 조명과 회전에 강함
      2. FAST
         1. detector 역할
         2. p 픽셀보다 연속적으로 밝기 값이 크거나 작다면 픽셀 p는 feature --> 주변 pixel 중에서 가장 크거나 작아야함(= 주변이 배경임을 의미)
         3. ex) 반지름 3 --> 9개 연속 픽셀 연속
            
      3. BRIEF
         
         1. p가 feature로 판별 되었을 때 p를 묘사하는 방법
         2. p를 임의의 위치를 지정해놓고 --> 해당 위치의 값을 토대로 0 or 1의 바이너리 문자열을 구함

Image matching(이미지 매칭)

1. 과정
   1. 두 영상의 특징점을 추출(by detector)
   2. 각각의 특징을 feature descriptor를 통해 묘사
   3. feature descriptor 기반으로 두 이미지가
      얼마나 유사한지 비교
   4. 비교한 특징들이 good matching인지 판별
2. good matching
   1. a와 b만이 유사할 때 a와 b가 good matching임(a, b, c 모두 유사하면 어는 것이 good matching인지 고르기 어려움)
   2. good matching은 nndr로 평가됨
   3. NNDR (Nearest neighbor distance ratio) = distance to best match / distance to second best match
      1. nndr이 작을수록 good matching에 가까움
         

CNN(Convolution Neural Network)

1. 개념
   1. 이미지 처리할 때 쓰는 신경망
   2. 다른 신경망과 마찬가지로 입력층, 연산층, 출력층으로 구성
      1. 입력층: 이미지 넣는 부분
      2. 출력층: 입력 이미지 어느 카테고리인지 출력
      3. 연산층
         1. 이미지에서 특징을 추출하는 부분
            1. 컨볼류션 계층(합성곱)
               1. 패딩(zero padding)
               1. 결과 mat의 크기가 동일하게 유지 하기 위해 --> 테두리 값을 넣음(제로 패딩 --> 0)
               2. stride(보폭)
               
            2. 풀링 계층
               1. 최대값 추출
                  
         2. 추출한 특징을 활용하여 분류하는 방법을 학습하는 부분
            1. fc(fully connected)