Digitális képanalízis Pontoperátorok, matching. Nézzünk egy példát!

Az előadások a következő témára: "Digitális képanalízis Pontoperátorok, matching. Nézzünk egy példát!"— Előadás másolata:

1 Digitális képanalízis Pontoperátorok, matching

2 Nézzünk egy példát!

3 A megoldás 1. lépése

4 Vagyis valóban… (S.Seitz)

5 A lokális jellemzők (ang. local features) Lokalitás: –A jellemzők teljesen helyiek, lehetnek takartak Mennyiség: –Rengeteg van belőlük egy képen is Hatékonyság: –Akár valós időben is meghatározhatók Általánosság: –Többféle környezetben (körülmény mellett) is működnek

6 Alkalmazási területek Képmozaikolás, panoráma-készítés Objektum-felismerés 3D-s rekonstrukció Mozgás-követés Indexelés és tartalom szerinti keresés Robot navigáció …

7 Alapelvárások Transzformációkra nem érzékenyek (= invariánsok) Geometriai értelemben: –Eltolás, forgatás, méretarány Fotometriai (radiometriai) értelemben: –Fényesség, expozíció

8 Jó jellemzők Élek? –Fényesség-invariáns, de… Pontok? –„Szokatlan helyen lévők” – érdeklődési operátorok

9 Matematikai alapvetés I(x,y) a képmátrix I x és I y az x és y irányú deriváltak E(u,v) hiba (egyébként Sum Squared Distance – SSD) parányi elmozdulásra:

10 Egy konkrét ablaknál Jó közelítéssel:

11 H sajátértékei Legnagyobb és legkisebb sajátértékekre

12 Egy markáns példa Harris-operátor egy variánsa (λ_ lokális maximum keresésével):

13 Levezetett operátor I. Hasonló érdeklődési operátor adott ablakmérettel Vízszintesre forgatással (rotation invariant) Normalizálás (átlagkivonás, szórás-osztás) Multiscale Oriented PatcheS (MOPS)

14 Levezetett operátor II. Hasonló érdeklődési operátor adott ablakmérettel Élek tájolása minden pixelnél Gyenge élek elvetése, a maradók szög- hisztogramja (ez, mint jellemző-vektor) Scale Invariant Feature Transform (SIFT)