Érdekes pontok kinyerése digitális képeken

9
ÉRDEKES PONTOK KINYERÉSE DIGITÁLIS KÉPEKEN

Upload: petula

Post on 13-Jan-2016

26 views

Category:

Documents


1 download

DESCRIPTION

Érdekes pontok kinyerése digitális képeken. Bevezetés. Alapprobléma Jellemzőpontok detektálása mindkét képen Kinyert pontok megfeleltetése Megfeleltetések alapján a képpár illesztése Megválaszolandó kérdések Melyek azok a pontok, amelyeket megbízható módon detektálhatunk a képeken? - PowerPoint PPT Presentation

TRANSCRIPT

Page 1: Érdekes pontok kinyerése digitális képeken

ÉRDEKES PONTOK KINYERÉSE DIGITÁLIS KÉPEKEN

Page 2: Érdekes pontok kinyerése digitális képeken

BEVEZETÉS

ALAPPROBLÉMA Jellemzőpontok detektálása mindkét képen Kinyert pontok megfeleltetése Megfeleltetések alapján a képpár illesztése

MEGVÁLASZOLANDÓ KÉRDÉSEK Melyek azok a pontok, amelyeket megbízható módon

detektálhatunk a képeken? Sarokpontok

Hogyan tudjuk leírni/jellemezni a kinyert pontokat? Invariáns jellemzők

Hogyan feleltessünk meg két képről kinyert pontokat? Jellemzők összehasonlítása, robusztusság

Page 3: Érdekes pontok kinyerése digitális képeken

LOKÁLIS LEÍRÓK

A detektált pontokat hogyan tudnánk leírni úgy, hogy az: invariáns egyedi legyen

A kinyert pontok önmagukban nem jellemezhetők jól egyetlen intenzitás-érték nem elég stabil és

egyedi A pontok környezete már elég egyedi lehet, de

az invariancia biztosítása nem triviális Tekintsük a pontot tartalmazó ablak tartalmát

Page 4: Érdekes pontok kinyerése digitális képeken

SIFT: SCALE INVARIANT FEATURE TRANSFORM

Skála- és irány független fotometriailag invariáns pont-leírókat állít elő az alábbi főbb lépésekben: Skála meghatározása

DoG szélsőérték helyek térben és skálában Lokális orientáció: a domináns gradiens irány A skála és orientáció minden egyes pontban

meghatároz egy lokális koordinátarendszert A kapott leírók skála- és irány függetlenek lesznek

Számítsunk gradiens irány-hisztogramokat több kisebb ablakban, amiből leíró vektort képezünk

Page 5: Érdekes pontok kinyerése digitális képeken

SURF: SPEEDED UP ROBUST FEATURE

Új skála-invariáns, jellemző-kinyerő módszer

Számítási igénye alacsonyabb a legtöbb módszernél, mégis nagy hatásfokkal működik

A képek integráltját használja fel a konvolúciós lépés során

Alapötletét a SIFT szolgáltatta, azonban Haar-féle leírókat használ a képek jellemzésére

Page 6: Érdekes pontok kinyerése digitális képeken

FAST: FEATURES FROM ACCELERATED SEGMENT TEST

Egyszerű sarokdetektor a jellemző pontok kinyerésére.

Alacsony számításigényű Valós idejű videó-feldolgozás

Egy pixel adott sugarú környezetében vizsgálja a többi pixelt Ha a környezetben szerepelő intenzitás értékek

nagyobbak, vagy kisebbek, mint a középpont: sarok Sarkok egy halmazát találja meg

Metrika a sarkok erősségének mérésére OpenCV: kétmenetes algoritmus

Rendkívüli gyors számítást tesz lehetővé

Page 7: Érdekes pontok kinyerése digitális képeken

ORB: Oriented FAST and Rotated BRIEF

Rendkívül gyors bináris jellemző leírást tesz lehetővé A BRIEF és FAST algoritmusokon alapul

Forgatás invariáns és ellenáll a zajnak Kétszer gyorsabb a SIFT-nél, valamint a

SURF-nél Számos helyzetben jobban alkalmazható Valós idejű feldolgozás

Nincsenek licencezési problémák sem

Page 8: Érdekes pontok kinyerése digitális képeken

MSER: MAXIMALLY STABLE EXTREMAL REGIONS

Összetartozások detektálása olyan képeken, ahol: Az objektum különböző szögből látszik

Nagyszámú képi elemeket tesz közzé az összetartozó képekről Kimerítő illesztés

Jól alkalmazható sztereó párosítás és objektum-felismerés során is.

A vizsgált kép egymás utáni küszöbölésével határoz meg kapcsolódó komponenseket

Page 9: Érdekes pontok kinyerése digitális képeken

STAR FEATURE DETECTOR

A CenSurE eljáráson alapul. Két egymással átfedésben lévő

elforgatott téglalap alakú szűrőt használ A szűrőt és annak hét skáláját

alkalmazzák a kép összes pixelére. A minták mérete konstans minden egyes

skála illesztése során Teljes térbeli felbontást eredményez

minden egyes skálára nézve.