Выделение особенностей на изображении

Автор: | 10.08.2018
Особенности (features) – точечные участки (особые точки), которые чем-то выделяются на изображении:
  • углы;
  • пятна (Blob);
  • особые точки линий (ответвления, окончания, пересечения …).

Подходы к определению особых точек:

  • на основе интенсивности точек изображения;
  • использование контуров изображения;
  • использование модели-шаблона.

Требования к особым точкам:

  • Отличимость (distinctness) – особая точка должна  быть отличимой в своей окрестности.
  • Инвариантность (invariance) –  независимость к аффинным преобразованиям изменениям яркости.
  • Стабильность (stability) – устойчивость к шумам.
  • Уникальность (uniqueness) –  уникальность среди повторяющихся паттернов.
  • Интерпретируемость (interpretability) – выявления информации для анализа.
  • Локальность (locality) – занимать небольшую область изображения.
  • Количество (quantity) – оптимальное количество точек в зависимости от предмета их использования. 
  • Эффективность (efficiency) – время обнаружения.
Особые точки определяются через:
  • Детектор (feature detector) – осуществляет поиск  точек.
  • Дескриптор (descriptor) – описывает найденные точки.
  • Матчер (matcher) – устанавливает соответствие между точками.

Подробнее смотри ссылки:

Детекторы углов

Виды углов:

Смещение окна в окрестности угловой точки в любом направлении приводит к существенному изменению набора интенсивностей окна

 
Далее см. ссылку Детекторы угловMoravec -> Harris -> Shi-Tomashi -> Förstner -> Susan -> Trajkovic -> FAST ->  CSS -> Детектор на основе свойств кривизны -> CPDA.

Детекторы пятен

Для подчеркивания перепадов яркости изображения можно использовать вторые производные. Двумерный дифференциальный оператор носит название оператора Лапласа, или лапласиана. Лапласиан — это двухмерное отображение второй производной. Он часто применяется для обнаружения границ в пересечении нуля (zero crossing edge detectors). Поскольку Лапласиан очень чувствителен к шуму, чтобы уменьшить влияние шума используют сглаживание, например, по методу Гаусса. В силу ассоциативности операторов свертки, обычно используют единое ядро, которое носит название Лапласиана Гауссиана (Laplacian of Gaussian — LoG), которое может быть вычислено по формуле:

Сигма – среднеквадратичное отклонение.

Дескрипторы и матчеры точек

Построение SIFT дескрипторов и задача сопоставления изображений

Обзор методов описания характерных точек

 

Автор: Николай Свирневский

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *