Detekce funkcí (počítačové vidění) - Feature detection (computer vision)

Tento článek má několik problémů. Prosím pomozte vylepši to nebo diskutovat o těchto otázkách na internetu diskusní stránka. (Zjistěte, jak a kdy tyto zprávy ze šablony odebrat) Tento článek obsahuje a seznam doporučení, související čtení nebo externí odkazy, ale jeho zdroje zůstávají nejasné, protože mu chybí vložené citace. Prosím pomozte zlepšit tento článek představuji přesnější citace. (duben 2013) (Zjistěte, jak a kdy odstranit tuto zprávu šablony) tento článek je psán jako osobní reflexe, osobní esej nebo argumentační esej který uvádí osobní pocity editora Wikipedie nebo představuje originální argument o tématu. Prosím pomozte to vylepšit přepsáním do encyklopedický styl. (duben 2013) (Zjistěte, jak a kdy odstranit tuto zprávu šablony) (Zjistěte, jak a kdy odstranit tuto zprávu šablony)

v počítačové vidění a zpracování obrazu detekce funkcí zahrnuje metody pro výpočet abstrakcí obrazových informací a pro místní rozhodnutí v každém obrazovém bodě, zda existuje funkce obrazu daného typu v daném okamžiku nebo ne. Výslednými funkcemi budou podmnožiny obrazové domény, často ve formě izolovaných bodů, spojitých křivek nebo spojených oblastí.

Definice prvku

Neexistuje žádná univerzální nebo přesná definice toho, co představuje funkci, a přesná definice často závisí na problému nebo typu aplikace. Přesto je prvek obvykle definován jako „zajímavá“ součást souboru obraz a funkce se používají jako výchozí bod pro mnoho algoritmů počítačového vidění. Vzhledem k tomu, že funkce jsou používány jako výchozí bod a hlavní primitiva pro následující algoritmy, bude celkový algoritmus často jen tak dobrý jako jeho detektor funkcí. V důsledku toho je žádoucí vlastnost pro detektor vlastností opakovatelnost: zda bude stejná funkce detekována ve dvou nebo více různých obrazech stejné scény.

Detekce funkcí je na nízké úrovni zpracování obrazu úkon. To znamená, že se obvykle provádí jako první operace s obrazem a zkoumá všechny pixel abychom zjistili, zda je na daném pixelu funkce. Pokud je to součást většího algoritmu, pak algoritmus obvykle zkoumá pouze obraz v oblasti prvků. Jako vestavěný předpoklad pro detekci funkcí je vstupní obraz obvykle vyhlazen znakem a Gaussian jádro v a měřítko-prostorová reprezentace a jeden nebo několik obrazů funkcí je vypočítáno, často vyjádřeno jako místní obrazové deriváty operace.

Občas, když je detekce funkcí výpočetně nákladné a existují časová omezení, k vedení fáze detekce prvků lze použít algoritmus vyšší úrovně, takže prvky budou vyhledávány pouze v určitých částech obrazu.

Existuje mnoho algoritmů počítačového vidění, které používají detekci funkcí jako počáteční krok, takže ve výsledku bylo vyvinuto velmi velké množství detektorů funkcí. Ty se značně liší v druzích detekovaných funkcí, výpočetní složitosti a opakovatelnosti.

Typy obrazových funkcí

Hrany

Okraje jsou body, kde je hranice (nebo hrana) mezi dvěma oblastmi obrazu. Obecně může mít hrana téměř libovolný tvar a může obsahovat křižovatky. V praxi jsou hrany obvykle definovány jako sady bodů v obraze, které mají silný spád velikost. Některé běžné algoritmy dále spojí body s vysokým gradientem dohromady a vytvoří tak úplnější popis hrany. Tyto algoritmy obvykle kladou určitá omezení na vlastnosti hrany, jako je tvar, hladkost a hodnota přechodu.

Lokálně mají hrany jednorozměrnou strukturu.

Rohy / úrokové body

Pojmy rohy a zájmové body se používají poněkud zaměnitelně a odkazují na bodové prvky v obraze, které mají lokální dvourozměrnou strukturu. Název „Roh“ vznikl od prvního provedení raných algoritmů Detekce hrany, a poté analyzoval hrany, aby našel rychlé změny směru (rohy). Tyto algoritmy byly poté vyvinuty tak, aby již nebyla nutná explicitní detekce hran, například hledáním vysokých úrovní zakřivení v gradientu obrazu. Poté bylo zjištěno, že takzvané rohy byly detekovány také na částech obrazu, které nebyly rohy v tradičním smyslu (může být detekována například malá světlá skvrna na tmavém pozadí). Tyto body jsou často známé jako zajímavé body, ale pojem „roh“ používá tradice^{[Citace je zapotřebí ]}.

Bloby / oblasti zájmových bodů

Blobs poskytují doplňkový popis struktur obrazu z hlediska oblastí, na rozdíl od rohů, které jsou více bodové. Deskriptory blob nicméně mohou často obsahovat upřednostňovaný bod (lokální maximum odezvy operátora nebo těžiště), což znamená, že mnoho detektorů blob může být také považováno za operátory zajímavých bodů. Detektory blob mohou detekovat oblasti obrazu, které jsou příliš hladké na to, aby je detekoval detektor rohů.

Zvažte zmenšení obrázku a následnou detekci rohů. Detektor bude reagovat na body, které jsou ve zmenšeném obrazu ostré, ale v původním obrazu mohou být hladké. Právě v tomto okamžiku se rozdíl mezi detektorem rohů a detektorem blob stává poněkud vágním. Do značné míry lze tento rozdíl napravit zahrnutím vhodného pojmu měřítka. Nicméně kvůli jejich vlastnostem odezvy na různé typy struktur obrazu v různých měřítcích, LoG a DoH detektory blobů jsou také zmíněny v článku o detekce rohů.

Hřebeny

U podlouhlých předmětů pojem hřebeny je přirozený nástroj. Hřebenový deskriptor vypočítaný z obrázku na úrovni šedé lze považovat za zobecnění a mediální osa. Z praktického hlediska lze hřeben považovat za jednorozměrnou křivku, která představuje osu symetrie, a navíc má atribut místní šířky hřebene spojené s každým bodem hřebene. Bohužel je však algoritmicky těžší extrahovat hřebenové prvky z obecných tříd obrázků na úrovni šedé než hranové, rohové nebo blobové prvky. Hřebenové deskriptory se nicméně často používají pro extrakci silnic na leteckých snímcích a pro extrakci krevních cév na lékařských snímcích - viz detekce hřebene.

Detektory funkcí

Extrakce funkcí

Jakmile jsou funkce detekovány, lze extrahovat opravu místního obrazu kolem této funkce. Tato extrakce může zahrnovat poměrně značné množství zpracování obrazu. Výsledek je známý jako deskriptor prvku nebo vektor prvku. Mezi přístupy, které se používají k popisu funkcí, lze zmínit N- trysky a místní histogramy (viz měřítko-neměnná transformace funkcí pro jeden příklad deskriptoru místního histogramu). Kromě těchto informací o atributu může krok detekce prvku sám o sobě také poskytovat doplňkové atributy, jako je orientace hrany a velikost gradientu v detekci hran a polarita a síla blob v detekci blob.

Viz také

• Automatická anotace obrazu
• Extrakce funkcí
• Učení funkcí
• Výběr funkcí
• Detekce popředí
• Vektorizace (sledování obrazu)

Reference

• T. Lindeberg (2008–2009). "Scale-space". V Benjamin Wah (ed.). Encyclopedia of Computer Science and Engineering. IV. John Wiley and Sons. 2495–2504. doi:10.1002 / 9780470050118.ecse609. ISBN  978-0470050118. (shrnutí a recenze řady detektorů funkcí formulovaných na základě operací v měřítku a prostoru)
• Canny, J. (1986). "Výpočetní přístup k detekci hran". Transakce IEEE na analýze vzorů a strojové inteligenci. 8 (6): 679–714. doi:10.1109 / TPAMI.1986.4767851.. (Detekce hloupé hrany )
• C. Harris; M. Stephens (1988). „Kombinovaný detektor rohů a hran“ (PDF). Sborník ze 4. konference Alvey Vision. 147–151.(Harris / Plessey detekce rohu)
• S. M. Smith; J. M. Brady (květen 1997). „SUSAN - nový přístup ke zpracování obrazu na nízké úrovni“. International Journal of Computer Vision. 23 (1): 45–78. doi:10.1023 / A: 1007963824710.(Rohový detektor SUSAN)
• J. Shi; C. Tomasi (červen 1994). „Dobré vlastnosti ke sledování“. 9. konference IEEE o počítačovém vidění a rozpoznávání vzorů. Springer.(Rohový detektor Shi a Tomasi)
• E. Rosten; T. Drummond (2006). "Strojové učení pro vysokorychlostní detekci rohů". Evropská konference o počítačovém vidění. Springer. 430–443. CiteSeerX  10.1.1.60.3991. doi:10.1007/11744023_34.(RYCHLÝ detektor rohů)
• T. Lindeberg (1998). "Detekce prvků s automatickým výběrem měřítka" (abstraktní). International Journal of Computer Vision. 30 (2): 77–116. doi:10.1023 / A: 1008045108935.(Laplacian a determinant pytloviny blob detekce, stejně jako automatický výběr měřítka)
• D. Lowe (2004). „Charakteristické rysy obrazu z klíčových bodů s neměnným měřítkem“. International Journal of Computer Vision. 60 (2): 91. CiteSeerX  10.1.1.73.2924. doi:10.1023 / B: VISI.0000029664.99615.94.(Detekce bloků DOG s automatickým výběrem měřítka)
• J. Matas; O. Chum; M. Urban; T. Pajdla (2002). „Robustní široké základní stereo z maximálně stabilních extrémních oblastí“ (PDF). Britská konference o strojovém vidění. 384–393.(Detektor blob MSER)
• T. Lindeberg (1993). „Detection Salient Blob-like Image Structure and their Scales with a Scale-Space Primal Sketch: A Method for Focus-of-Attention“ (abstraktní). International Journal of Computer Vision. 11 (3): 283–318. doi:10.1007 / BF01469346.(Detekce blobů na úrovni šedé a objekty BLOB v měřítku)
• R. Haralick, “Hřebeny a údolí na digitálních obrázcích „Počítačové vidění, grafika a zpracování obrazu sv. 22, č. 10, s. 28–38, duben 1983. (Detekce hřebenů pomocí modelu fazet)
• J. L. Crowley a A. C. Parker, “Reprezentace pro tvar založený na vrcholech a hřebenech v rozdílu transformace dolního průchodu ", IEEE Transactions on PAMI, PAMI 6 (2), pp. 156–170, March 1984. (Ridge detection based on DOGs)
• D. Eberly, R. Gardner, B. Morse, S. Pizer, C. Scharlach, Hřebeny pro analýzu obrazu, Journal of Mathematical Imaging and Vision, v. 4 n. 4, str. 353–373, prosinec 1994. (Detekce hřebene s pevným měřítkem)
• T. Lindeberg (1998). "Detekce hran a detekce hřebenů s automatickým výběrem měřítka" (abstraktní). International Journal of Computer Vision. 30 (2): 117–154. doi:10.1023 / A: 1008097225773.(Detekce hřebene s automatickým výběrem měřítka)