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

Az előadások a következő témára: "ÉRDEKES PONTOK KINYERÉSE DIGITÁLIS KÉPEKEN. BEVEZETÉS  ALAPPROBLÉMA  Jellemzőpontok detektálása mindkét képen  Kinyert pontok megfeleltetése  Megfeleltetések."— Előadás másolata:

1 ÉRDEKES PONTOK KINYERÉSE DIGITÁLIS KÉPEKEN

2 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

3 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

4 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

5 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

6 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

7 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

8 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

9 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.