تشخیص و تطبیق F Eature یک کار مهم در بسیاری از برنامه های دید رایانه ای ، مانند ساختار-از حرکت ، بازیابی تصویر ، تشخیص شی و موارد دیگر است. در این سری ، ما در مورد شناسایی و تطبیق ویژگی های محلی صحبت خواهیم کرد.

این بخشی از تشخیص و تطبیق ویژگی های سری 7 است. مقالات دیگر شامل

کاربرد تشخیص ویژگی و تطبیق

• ردیابی شیء
• تطبیق نقطه برای محاسبات نابرابری
• کالیبراسیون استریو (تخمین ماتریس اساسی)
• تقسیم بندی مبتنی بر حرکت
• به رسمیت شناختن
• بازسازی شیء سه بعدی
• ناوبری ربات
• بازیابی تصویر و نمایه سازی

ویژگی

یک ویژگی بخشی از اطلاعات است که برای حل کار محاسباتی مربوط به یک برنامه خاص مرتبط است. ویژگی ها ممکن است ساختارهای خاصی در تصویر مانند نقاط ، لبه ها یا اشیاء باشد. ویژگی ها همچنین ممکن است نتیجه یک عملیات عمومی محله یا تشخیص ویژگی های اعمال شده برای تصویر باشد. این ویژگی ها را می توان به دو دسته اصلی طبقه بندی کرد:

• ویژگی هایی که در مکان های خاص تصاویر مانند قله های کوهستانی ، گوشه های ساختمان ، درها یا تکه های جالب از برف وجود دارد. این نوع از ویژگی های بومی سازی شده اغلب به ویژگی های کلیدی (یا حتی گوشه ها) گفته می شود و اغلب با ظاهر تکه های پیکسل های اطراف محل نقطه توصیف می شوند.
• ویژگی هایی که می توانند بر اساس جهت گیری آنها و ظاهر محلی (پروفایل های لبه) مطابقت داشته باشند ، لبه ها نامیده می شوند و همچنین می توانند شاخص های خوبی از مرزهای شیء و وقایع انسداد در دنباله تصویر باشند.

مؤلفه اصلی تشخیص ویژگی و تطبیق

• تشخیص: نقطه علاقه را مشخص کنید
• توضیحات: ظاهر محلی در اطراف هر نقطه ویژگی به نوعی شرح داده شده است که (در حالت ایده آل) تحت تغییر در روشنایی ، ترجمه ، مقیاس و چرخش درون هواپیما ثابت است. ما به طور معمول با یک بردار توصیف کننده برای هر نقطه ویژگی به پایان می رسیم.
• تطبیق: توصیف کننده ها در سراسر تصاویر مقایسه می شوند تا ویژگی های مشابه را شناسایی کنند. برای دو تصویر ممکن است مجموعه ای از جفت ها (xi ، yi) ↔ (xi` ، yi`) را بدست آوریم ، که در آن (xi ، yi) یک ویژگی در یک تصویر است و (xi` ، yi`) ویژگی تطبیق آن در سوی دیگرتصویر

نقطه علاقه

نقطه علاقه یا نقطه ویژگی نقطه ای است که از نظر بافت بیانگر است. نقطه علاقه نقطه ای است که در آن جهت مرز شیء به طور ناگهانی یا نقطه تقاطع بین دو یا چند بخش لبه تغییر می کند.

خواص نقطه علاقه

• این موقعیت در فضای تصویر یا بومی سازی شده از موقعیت خوبی برخوردار است.
• تحت اختلال های محلی و جهانی در حوزه تصویر به عنوان تغییرات روشنایی/روشنایی پایدار است ، به گونه ای که می توان نقاط بهره را با درجه بالایی از تکرار محاسبه کرد.
• باید تشخیص کارآمد را فراهم کند.

رویکردهای احتمالی

• بر اساس روشنایی یک تصویر (معمولاً توسط مشتق تصویر).
• بر اساس استخراج مرزی (معمولاً با تشخیص لبه و تجزیه و تحلیل انحنای).

الگوریتم های شناسایی

توصیف کننده

توصیف کننده ویژگی الگوریتمی است که یک تصویر را می گیرد و توصیف کننده های ویژگی/بردارهای ویژگی را خروجی می کند. توصیف کننده های ویژگی اطلاعات جالب را در یک سری از اعداد رمزگذاری می کنند و به عنوان نوعی "اثر انگشت" عددی عمل می کنند که می تواند برای تمایز یک ویژگی از دیگری استفاده شود.

در حالت ایده آل ، این اطلاعات تحت تحول تصویر متغیر خواهد بود ، بنابراین می توانیم دوباره این ویژگی را پیدا کنیم حتی اگر تصویر به نوعی دگرگون شود. پس از تشخیص نقطه علاقه ، ما برای محاسبه توصیف کننده برای هر یک از آنها می رویم. توصیف کننده ها را می توان به دو کلاس طبقه بندی کرد:

• توصیف کننده محلی: این یک نمایش جمع و جور از محله محلی یک نقطه است. توصیف کنندگان محلی سعی می کنند فقط در یک محله محلی در اطراف یک نقطه شبیه به شکل و ظاهر باشند و از این رو برای نمایندگی آن از نظر تطبیق بسیار مناسب هستند.
• توصیف کننده جهانی: یک توصیف کننده جهانی کل تصویر را توصیف می کند. آنها به طور کلی بسیار قوی نیستند زیرا تغییر بخشی از تصویر ممکن است باعث شکست آن شود زیرا این امر بر توصیف کننده نتیجه تأثیر می گذارد.

الگوریتم

تطبیق ویژگی ها

ویژگی های تطبیق یا به طور کلی تطبیق تصویر ، بخشی از بسیاری از برنامه های دید رایانه ای مانند ثبت نام تصویر ، کالیبراسیون دوربین و تشخیص شی ، وظیفه ایجاد مکاتبات بین دو تصویر از همان صحنه/شی است. یک رویکرد مشترک برای تطبیق تصویر شامل تشخیص مجموعه ای از نقاط مورد علاقه است که هر یک از آنها با توصیف کننده های تصویر از داده های تصویر مرتبط است. هنگامی که ویژگی ها و توصیف کننده های آنها از دو یا چند تصویر استخراج شد ، مرحله بعدی ایجاد برخی از ویژگی های اولیه بین این تصاویر است.

به طور کلی ، عملکرد روشهای تطبیق بر اساس نقاط بهره بستگی به خصوصیات نقاط علاقه اساسی و انتخاب توصیف کننده های تصویر مرتبط دارد. بنابراین ، ردیاب ها و توصیف کننده های مناسب برای محتویات تصاویر باید در برنامه ها استفاده شوند. به عنوان مثال ، اگر یک تصویر حاوی سلولهای باکتری باشد ، باید از ردیاب حباب استفاده شود تا ردیاب گوشه ای. اما اگر تصویر منظره ای از یک شهر باشد ، ردیاب گوشه ای برای یافتن سازه های ساخته شده توسط انسان مناسب است. علاوه بر این ، انتخاب یک ردیاب و توصیف کننده ای که به تخریب تصویر می پردازد بسیار مهم است.

الگوریتم

• تطبیق
• Fla (کتابخانه سریع برای نزدیکترین همسایگان)

الگوریتم برای تشخیص ویژگی و تطبیق

• مجموعه ای از کلیدهای متمایز را پیدا کنید
• منطقه ای را در اطراف هر صفحه کلید تعریف کنید
• محتوای منطقه را استخراج و عادی کنید
• یک توصیف کننده محلی را از منطقه عادی محاسبه کنید
• با توصیف کننده های محلی مطابقت دارد

منابع

• بردسکی و کائلر. Leaing OpenCV: چشم انداز رایانه با کتابخانه OpenCV. O'Reilly ، 2008.
• M. Brown ، R. Szeliski و S. Winder. تطبیق چند تصویر با استفاده از تکه های چند مقیاس گرا. در Proc. صفحات CVPR 510-517 ، 2005.
• H. Bay ، T. Tuytelaars و L. Van Gool. گشت و گذار: سرعت بخشیدن به ویژگی های قوی. در Proc. ECCV ، صفحات 404-417 ، 2006.
• ج. هریس و م. جی استفانز. گوشه ای ترکیبی و ردیاب لبه. در کنفرانس Vision Alvey ، صفحات 147-152 ، 1988.
• Y. Ke و R. Sukthankar. PCA-SIFT: نمایشی متمایز تر برای توصیف کننده های تصویر محلی. در Proc. CVPR ، صفحات 506-513 ، 2004.
• ادوارد روستن و تام دراموند ، "یادگیری ماشین برای تشخیص گوشه با سرعت بالا" در نهمین کنفرانس اروپایی در مورد رایانه دید ، جلد. 1 ، 2006 ، صص 430-443.
• ادوارد روستن ، رید پورتر و تام دراموند ، "سریعتر و بهتر: یک رویکرد یادگیری ماشین به تشخیص گوشه" در IEEE Trans. تجزیه و تحلیل الگوی و هوش دستگاه ، 2010 ، جلد 32 ، صص 105-119.
• R. Szeliski. چشم انداز رایانه: الگوریتم ها و برنامه ها. اسپرینگر ، 2010.

با تشکر از خواندن! اگر از آن لذت بردید ، آن دکمه CLAP را در زیر ضربه بزنید و برای به روزرسانی های بیشتر نقض داده ها را دنبال کنید