Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.

úloha 13

  • Identifiez-vous pour voir les commentaires

  • Soyez le premier à aimer ceci

úloha 13

  1. 1. Lokálne obrázkové deskriptory typu SIFT Marián Labuda
  2. 2. ArgumentáciaProblematiku lokálnych obrázkových deskriptorov typu SIFT som si vybral preto, lebo sa týkali mojejbakalárskej práce, kde som im venoval dostatok priestoru a ich podrobné štúdium bolo potrebné k lepšiemupochopeniu problematiky vyhľadávania podobnosti medzi podobnými obrázkami. SIFT je jedna znajznámejších metód extrakcie a získania lokálnych obrázkových deskriptorov. Využitie lokálnychobrázkových deskriptorov je napríklad v spomínanom vyhľadávaní podobností medzi obrázkami, prípadne vrobotickom mapovaní, tvorbe panorám, 3D modelov a iných dôležitých uplatneniach. Tento odborný text jevýňatok z mojej bakalárskej práce.
  3. 3. AnotáciaPráca sa zaoberá popisom techniky extrakcie a vizualizácie lokálnych obrázkových deskriptorov typu SIFT.Na začiatku kapitoly práca stručne popisuje spôsob extrakcie deskriptorov. Následne možnosť porovnávaniadvoch deskriptorov založenom na vektorovej vzdialenosti. V závere je demonštratívna ukážka spôsobuzobrazenia deskriptorov.
  4. 4. Kľúčové sloválokálne deskriptory, SIFT, škálový priestor
  5. 5. 3 Deskriptory typu SIFTDeskriptor je vektor popisujúci pixle obrázka, ktorý vznika extrakciou črty. Pre výpočet vzdialenosti(vzájomnej podobnosti) medzi dvoma deskriptormi sa najčastejšie používa vzájomná korelácia(cross-correlation) alebo Euklidovská vzdialenosť. Tento výpočet je z hľadiska časovej náročnosti preveľa-rozmerne vektory náročný, avšak pre porovnávanie dvoch snímkov nevyhnutný. Porovnávaniepodobnosti obrázkov sa uskutočňuje na základe určitej prahovej hodnoty podobnosti. Pre zníženievýpočtovej zložitosti sa môžu deskriptory filtrovať, napríklad na základe vymedzenia množstva deskriptorovurčeného plochou zobrazenia. Mnohé metódy generovania čŕt sú náchylne na nepresnosti spojene sozmenami intenzity a so zmenou afinného zobrazenia. Afinným zobrazením sa rozumie posunutie, rotácia,zmena mierky, pripadne kombinácie týchto funkcii. Lowe navrhol a neskor ešte podrobnejšie rozpracovalmetódu získania čŕt známu pod názvom SIFT (scale-invariant feature transform), čo sa voľne prekladá akoškálovo-invariantná transformácia čŕt. Tento prístup transformuje obrázok do početnej kolekcie vektorovlokálnych čŕt, z ktorých každý je invariantný voči posunutiu, rotácii, skresleniu, zmene mierky, zmeneintenzity osvetlenia ako aj 3D projekcii. Proces získania deskriptorov typu SIFT pozostáva z detekcieextrémov škaloveho priestoru pomocou rozdielu dvoch Gaussovych funkcii (Difference-of-Gaussians),lokalizácie kľučovych bodov (keypoint), priradenia orientácie a zo zostavenia vysledneho deskriptorakľučoveho bodu. Nasledujúce podkapitoly sa venujú algoritmu nájdenia deskriptorov typu SIFT tak, ako honavrhol David Lowe.3.1 Detekcia extrémov škálového priestoruPre získanie oblasti, ktoré je možne opakovane priradiť k jednému objektu pod rôznymi uhlami pohľadu, jeza potreby nájsť stabilne kľúčové body skrz všetky škály v škálovom priestore. Lowe uvádza, že jedinoumožnou metódou preskúmania škaloveho priestoru je pomocou Gaussovej funkcie. Škalovy priestor obrazuje definovaný ako funkcia L(x, y, σ), ktorá vznikne konvolúciou škálovo-mennej Gaussovej funkcie G(x, y,σ) so vstupným obrázkom I(x, y): L(x, y, σ) = G(x, y, σ) ∗ I(x, y), 1 2 2 − x  y  / 2 2kde ∗ je konvolúcia v x a y a Gx, y ,= 2 e 2 Pre získanie stabilných kľučovych bodov v škálovom priestore sa vyberú miesta, kde sa nachadzaju maximaa minima Difference-of-Gaussians funkcie. Tento výpočet sa dá dosiahnuť pomocou postavenia takzvanejpyramídy. Medzi každou úrovňou pyramídy sa obrázok prevzorkuje (resample). Tento postup zaručí nájdeniekľučovych bodov, ktoré sú čiastočne stabilne pre charakteristiku obrázka. Difference-of-Gaussians savypočíta ako rozdiel dvoch Gaussovych funkcii susedných škál, ktoré sa vzájomne líšia multiplikatívnoukonštantou k:Dx, y , =Gx , y, k−Gx, y , Ix ,y) =Lx ,y ,k −Lx ,y ,.3.1.1 Detekcia lokálnych extrémovLowe ďalej uvádza, že na zistenie lokálneho maxima a minima D(x, y, σ) je potrebne porovnať každý bodsnímky s jeho susedmi v aktuálnej škále a v škále bezprostredne nasledujúcej a predchádzajúcej. Tento bodsa vyberie len v prípade, že je väčší alebo menši ako všetci jeho susedia. Časová náročnosť tohto výpočtu jenízka najmä pre skoré odstránenie mnohých bodov už počas niekoľkých krokov.3.2 Lokalizácia kľúčových bodovPočas detekcie extrémov nájdeme príliš veľa kľučovych bodov. Niektoré z nich sú nestabilne a je potrebneich odstrániť, pretože by neposkytovali dostatočne uspokojivé výsledky. Nestabilné kľúčové body sú tie,ktoré máju nedostatočný kontrast a z toho dôvodu sú náchylnejšie na šum, alebo sa nachadzaju pozdĺžnepopri hranách.
  6. 6. 3.3 Určenie orientácie kľúčového boduKaždému stabilnému kľúčovému bodu je možne priradiť jednu alebo viac orientácii. Tieto orientácie súzaložené na gradientoch a magnitúdach. Ako prvý sa zostaví histogram pozostávajúci z gradientov amagnitúd každého pixela v okolí kľučoveho bodu. Histogram sa skladá z 36 košíkov (bins), ktoré pokrývajurozsah 360°. Vrcholy (peaks) v histograme odpovedajú dominantným smerom lokálnych gradientov.Kľučový bod s orientáciou vznikne pomocou výberu najväčšieho gradientu, ktorý je potrebný aj na neskoršiezaručenie invariancie deskriptoru voči rotácii. V prípade existencie viacerých dominantných gradientovvznikne viac kľučovych bodov na rovnakom mieste, ale s odlišnou orientáciou. Tento prípad nastávapribližne v 15 % a výrazne spresňuje porovnávanie.3.4 Lokálny deskriptor typu SIFTPredchádzajúce operácie priradili každému kľúčovému bodu jeho polohu v obrázku, škálu a orientáciu azaručili invarianciu voči týmto vlastnostiam. Konečným krokom získania deskriptora je vypočítanie jehozvyšných zložiek. Deskriptor vznikne ako vektor obsahujúci hodnoty všetkých položiek histogramuorientácii. Prvý krok potrebný na získanie vektora je vytvorenie okna o veľkosti 16×16 pixlov okolokľučoveho bodu. Následne sa z neho vytvori okno rozdelene na 4x4 oblasti, z ktorých každá ma 8 košíkovorientácie Z toho vyplýva, že vektor každého kľučoveho bodu bude mať 128 položiek (4×4×8). Nakoniec savektor črty upraví tak, aby sa znížili rušivé efekty zmeny osvetlenia. Jedným zo spôsobov ako to dosiahnuťje použitie normalizácie na jednotkovú dĺžku, čim vznikne afínna invariancia na zmenu osvetlenia. Obrázok 1. Zobrazenie lokálnych deskriptorov typu SIFT v nástroji na zobrazenie lokálnych deskriptorov.
  7. 7. Zoznam použitej literatúryLOWE, D. G.: Object recognition from local scale-invariant features. International Conferenceon Computer Vision [online]. 1999. S. 1150-1157. [cit. 2. november 2011]. Dostupné z <http://www.cs.ubc.ca/~lowe/papers/iccv99.pdf>.LOWE, D. G.: Distinctive image features from scale-invariant keypoints. International Journalof Computer Vision [online]. Vol. 60. 2004. S. 91-110. [cit. 2. november 2011]. Dostupnéz <http://www.cs.ubc.ca/~lowe/papers/ijcv04.pdf>.LABUDA, Marián. Nástroj pro vizualizaci obrázkových deskriptorů [online]. 2012 [cit. 2012-12-19].Bakalářská práce. Masarykova univerzita, Fakulta informatiky. Vedoucí práce Vlastislav Dohnal. Dostupnéz: <http://is.muni.cz/th/359322/fi_b/>.

×