使用机器学习了解FAST算法

Question

我一直在阅读this question，this opencv article，当然还有original关于使用机器学习的FAST算法的论文。

我似乎并不了解它。以下是我的理解所摘录的文章摘录：

1. 选择一组图像进行训练（最好从目标应用程序域中进行训练）。假设这是我的具有4个功能的灰度图片。

           +------------+
           |   +    +   |
           |   |    |   |
           | +--------+ |
           |   |    |   |
           | +--------+ |
           |   +    +   |
           |            |
           +------------+
   

2. 在每个图像中运行FAST算法以查找特征点。 如上一步所述，它具有4个功能（角落功能）。

3. 对于每个特征点，将其周围的16个像素存储为矢量。对所有图像执行此操作以获得特征向量P。想象一下，这些是像素值，每个特征向量中有16个像素值。

4. 这16个像素中的每个像素（例如x）可以具有以下三种状态之一：

现在，我将所有这些特征向量放入1个称为P的特征向量中，并根据给定的p评估每个像素是否更暗，相似或更亮。

  

向量P

     

b s d b s d b s b b s d d d | | b b b b d d s d b s d b s d b s | s d s d s d d d | d s b d s b d s b d s s d b s

1. 根据这些状态，特征向量P分为3个子集P_d，P_s，P_b。

我不明白这部分。是否将其中的每个特征划分为P_s，P_b和P_d？

  

b b b b s s s s d d d d d d | b b b b s s s s s d d d d d | | b b b b b b s s s s s d d d | b b b b b s s s s s d d d d d

还是我将整个向量P分成三个子集？

  

b b b b b b b b b b b b b b b b b s s s s s s s s s s s s s s s s d d d d d d d d ...

或者因为我可以计算出b，d和s中哪一个最高，所以我可以说Feature1是b，feature2是d，feature3，是s，feature4是b？

我们如何使用它来创建ID3？我认为这是我不理解的主要部分。

1. 定义一个新的布尔变量K_p，如果p是一个角，则为true，否则为false。

2. 使用ID3算法（决策树分类器）使用变量K_p查询每个子集，以获取有关真实类的知识。它会选择x，该x会根据K_p的熵衡量得出有关候选像素是否为角的最多信息。

3. 这将递归应用于所有子集，直到其熵为零为止。

4. 这样创建的决策树用于其他图像中的快速检测。