ÉRDEKES PONTOK KINYERÉSE DIGITÁLIS KÉPEKEN. BEVEZETÉS  ALAPPROBLÉMA  Jellemzőpontok detektálása mindkét képen  Kinyert pontok megfeleltetése  Megfeleltetések.

Slides:



Advertisements
Hasonló előadás
Tömörítés.
Advertisements

Készítette: Nagy Mihály tanár Perecsen, 2006.
Készítette: Kosztyán Zsolt Tibor
Stacionárius és instacionárius áramlás
Adatelemzés számítógéppel
Fejmozgás alapú gesztusok felismerése
4. Előadás: A mohó algoritmus
Match Move Juhász Endre Muhi Kornél Urbán Szabolcs Számítógépes látás projekt.
Készítette: Szinai Adrienn
Ozsváth Károly TF Kommunikációs-Informatikai és Oktatástechnológiai Tanszék.
1 AIBO Robotfoci Bodor László IAR Bevezetés AIBO RoboCup AIBO RoboCup Célok Célok Rendszer elemei Rendszer elemei Megvalósítás terve Megvalósítás.
Képességszintek.
1 / / 13 Bevezető Forgalmi dugók okozta problémák: - Feszültség - Sietség - Szabálytalan közlekedés → baleseti források Megoldás: A jó megoldások.
SO 2, NO x felbontási hatásfokának vizsgálata korona kisülésben Horváth Miklós – Kiss Endre.
Rekonstrukció bizonytalan vetületekből
ALAKZATOK TRANSZFORMÁCIÓJA ÚJ KÉPSÍKOK BEVEZETÉSÉVEL
Foltkeresés tüdő röntgen képeken
Vektormező szinguláris pontjainak indexe
GNSS elmélete és felhasználása Fázismérések lineáris kombinációi. A ciklustöbbértelműség feloldása.
Digitális képanalízis
Klasszikus mechanikai kéttestprobléma és merev test szabad mozgása állandó pozitív görbületű sokaságon Kómár Péter témavezető: Dr. Vattay Gábor
Mozgó Objektumok Detektálása és Követése Robotkamera Segítségével
Szintaktikai elemzés március 1.. Gépi tanulás Osztályozási feladat: Adott egyedek egy halmaza és azok osztályba tartozási függvénye (tanító halmaz),
MI 2003/ Alakfelismerés - még egy megközelítés: még kevesebbet tudunk. Csak a mintánk adott, de címkék nélkül. Csoportosítás (klaszterezés, clustering).
Intelligens ébresztő óra Számítógépes látás projekt 2011.
Arci jellemzők kinyerése és vizsgálata ember-gép interakciókban
Objektum osztályozás Képfeldolgozás 2. Blaskovics Viktor, Hantos Norbert, Papp Róbert Sándor.
Ideális kontinuumok kinematikája
A folyamatok térben és időben zajlanak: a fizika törvényei
Vámossy Zoltán 2004 (Mubarak Shah, Gonzales-Woods anyagai alapján)
Vámossy Zoltán 2006 Gonzales-Woods, SzTE (Kató Zoltán) anyagok alapján
Szűrés és konvolúció Vámossy Zoltán 2004
Küszöbölés Szegmentálás I.
Leszámoló rendezés Készítette: Várkonyi Tibor Zoltán VATNABI.ELTE
3. Vetületi ábrázolások számítási eljárásai
Színmegjelenési modellek
Horváth Zsolt Schnádenberger Gábor Varjas Viktor
Implementált képfeldolgozó algoritmusok
HATÉKONY SAJÁTSÁGKIEMELŐK KÉPEK ÖSSZEHASONLÍTÁSÁHOZ MobileAssistant workshop, május 4. Főnix Inkubátorház, 4029 Debrecen, Csapó u. 42. A ép III/2.
Fejmozgás alapú gesztusok felismerése Bertók Kornél, Fazekas Attila Debreceni Egyetem, Informatikai Kar Debreceni Képfeldolgozó Csoport KÉPAF 2013, Bakonybél.
Fejmozgás alapú gesztusok felismerése Bertók Kornél, Fazekas Attila Debreceni Egyetem, Informatikai Kar Debreceni Képfeldolgozó Csoport KÉPAF 2013, Bakonybél.
Aszexuális, szimpatrikus speciáció
3. Vetületi ábrázolások számítási eljárásai
Textúra elemzés szupport vektor géppel
Rekeszív meghatározása tüdőröntgenen
Intelligens felderítő robotok Készítette: Györke Péter Intelligens rendszerek MSC szakirány Konzulens: Kovács Dániel László Méréstechnika és Információs.
Problémás függvények : lokális optimalizáció nem használható Globális optimalizáció.
Lokális optimalizáció Feladat: f(x) lokális minimumának meghatározása 0.Adott egy kezdeti pont: x 0 1.Jelöljünk ki egy új x i pontot, ahol (lehetőleg)
Optimalizáció modell kalibrációja Adott az M modell, és p a paraméter vektora. Hogyan állítsuk be p -t hogy a modell kimenete az x bemenő adatokon a legjobban.
GPS az építőmérnöki gyakorlatban Transzformáció. Térbeli hasonlósági transzformáció.
Többváltozós adatelemzés
Kézmozdulat felismerő rendszer
Digitális képanalízis Pontoperátorok, matching. Nézzünk egy példát!
KINECT© szenzor intelligens terekben
Rendszerek stabilitása
Az arcfelismerés és arc detektálás alapjai Matusinka Roland OE-NIK
Lineáris algebra.
A derivált alkalmazása
1 Tartalomalapú médiavisszakeresés Kiss Attila Információs Rendszerek Tanszék
Kutatási beszámoló 2002/2003 I. félév Iváncsy Renáta.
Nagy Szilvia 2. Lineáris blokk-kódok II.
Máté: Orvosi képfeldolgozás12. előadás1 Három dimenziós adatok megjelenítése Metszeti képek transzverzális, frontális, szagittális, ferde. Felület síkba.
Digitális képanalízis
Fejmozgás alapú gesztusok felismerése Bertók Kornél, Fazekas Attila Debreceni Egyetem, Informatikai Kar Debreceni Képfeldolgozó Csoport KÉPAF 2013, Bakonybél.
Több irányú, alaksablonok nélküli épület detekció légiképeken Manno-Kovács Andrea, Szirányi Tamás Elosztott Események Elemzése Kutatócsoport MTA SZTAKI.
8. kurzus Szegmentálás (Segmentation) Dr. Vajda Tamás.
Vámossy Zoltán (Gonzales – Woods könyve alapján) Jellemzők és leírók.
Neumann János Informatikai Kar
Bemutató óra
Bevezetés a mély tanulásba
Előadás másolata:

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

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

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

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

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

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

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

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.