Előadást letölteni
Az előadás letöltése folymat van. Kérjük, várjon
KiadtaAndrea Orsósné Megváltozta több, mint 10 éve
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)
Hasonló előadás
© 2024 SlidePlayer.hu Inc.
All rights reserved.