Преглед на методите за откриване на игрални точки
От Wiki фотограметрия
Характерната точка (точка на интерес) - точка изображение с висока локална информативна. Като числен показател за информативност предлага различни формални критерии, наречени оператори по интереси. интерес, операторът трябва да осигури достатъчно прецизно позициониране на точки в равнината на изображението. Необходимо е също така да се позиционира точката на интерес притежават достатъчна устойчивост на фотометричните и геометрични изкривявания на изображението, включително неравни промени яркост, промяна, въртене, мащабиране, изкривяване подравнен.
Изолиране на характерните точки в изображението е първата стъпка в определянето на задачите. Основното предимство на използването на игрални точки за откриване на проблеми са относителната лекота и скоростта на откриване. В допълнение, изображенията не винаги са възможни да се изолира други характерни черти (ясно очертават или област), а характерната точка в по-голямата част от случаите, може да се идентифицира.
Най-простият пример игрални точки са местни крайности на осветеност върхове и стандартното отклонение (SD) яркостта. В много прости случаи, когато радиометрична и нарушаване на аспект няма такива точки е съвсем достатъчно, за да снимат. В по-сложни случаи е необходимо да се определи точката на изображението, като се използва не само яркостта, но и устойчиви на геометрични изкривявания характеристики. Един от най-информативните характеристики на всяко изображение са ъгли, които са навсякъде в образите на сгради (ъгли на покриви, прозорци и т.н.), те също така присъстват на въздушните снимки на природни пейзажи.
Да разгледаме фрагмент \ (U \) изображение \ на (I (х, у) \), центриран в точка \ ((U, V) \), и копие изместен от количество \ ((х, у) \).
За всеки фрагмент точка може да се изчисли претеглените квадрат разлика между първоначалната и изместен фрагмент и да се разгледат на функцията:
Функция \ (I (U + х, о + у) \) може да бъде разширена в серия Тейлър в близост до центъра на \ ((U, V) \), което позволява да се премине от (1) до израза:
къде. \ (I_x \) и \ (I_y \) - частични производни на яркост в хоризонтална и вертикална посока.
Експресия (2) могат да бъдат написани в матрична форма: \ [S (х, у) \ ок (х у) M \ наляво (\ започне х \\ г \ край \ полето), \]
къде. \ (М = \ sum_ \ наляво [\ започне I_x ^ 2 I_xI_y \\ I_xI_y I_y ^ 2 \ край \ полето] (3) \) - матрица на местната структура.
Както претеглена функция \ на (w (U, V) \) обикновено се използва Gaussian функция. Характеризира се с голяма промяна ъгъл функция \ (S (х, у) \) във всички възможни посоки \ ((х, у) \), който е еквивалентен модул голяма собствена стойност матрица \ (М \).
От това следва, редица заключения:
1. Ако собствените стойности \ (λ_1 \) и \ (λ_2 \) в близост до нула, а след това на пиксела от център \ ((X, Y) \) не е точка на интереси, тъй като тя се намира в хомогенен регион.
2. Ако \ (λ_1 \ около 0 \) и \ (λ_2 \) има голям модул стойност, пиксел \ ((х, у) \) принадлежи ръб.
3. Ако двете собствените стойности са големи и вземат положителна стойност, в пиксели \ ((X, Y) \) е ъгълът.
Повечето оператори откриване ъгли са на базата на свойствата на матрица \ (М \). В [4] на най-малката собствена стойност на матрица \ (М \) се сравнява с праг. В [3] Harris и Stephens е предложено използването на мярка за отговора на ъгъл:
къде. \ (К \) - емпирично установено 0,04-0,06 параметър ред и \ (Det (M) \) и \ (TR (M) \) - детерминанта и следа на матрица.
При отрицателен отговор се определя като точка от ръба класирана; ако отговорът е близо до нула, се счита мястото, за да бъдат уловени в "плосък" регион. За големи положителни стойности \ (Z (х, у) \) се счита, че точката е ъгъл, тъй като тя варира яркостта във всички посоки. Harris детектор (4) е инвариантен за завъртане и преместване на изображението, както и срязване и еднакво промяна линеен яркост.
Описани детектори, въпреки че наричат ъглови детектори всъщност не са ъгли, както и всички части на снимката, в които има голяма промяна в наклона във всички посоки в определен мащаб. Детектори достатъчно бързо, тъй като намалена яркост на изображението, за да диференциация, сумирането на производни на яркост в местен квартал на всяка точка и намиране на мерки ъгъл отговор. Харис допълнение детектор, има и други методи за откриване на ъгли, което позволява да се намери ъгъл в зависимост от мащаба на изображението. Най-популярни са получили пресее детектори [5] (мащабно инвариантен функция трансформират - един мащаб независим функции преобразуване) и ускорено версия Surf [6] (ускорени нагоре надеждни функции - ускорени устойчиви характеристики). Пресейте детектор се основава на идеята за търсене на местния максимуми в променлива скала т.нар пространство (скала пространство). За даден образ \ (I (х, у) \) пространство променлива скала [7] представлява набор от функционални стойности:
къде. \ (\ Sigma> 0 \) - изглаждане параметър, символът "\ (\ ast \)» означава конволюция, и \ (G (х, у; σ) \) - двуизмерен Gaussian функция. В [5] изследва раздели на променлива скала пространство, характеризиращ се с постоянен положителен фактор \ (к \) (Фигура 1).
Както точките на интерес включват точки, съответстващи на местната екстремум:
\ [D (х, у; \ сигма) = L (х, у, к \ сигма) - L (х, у; \ сигма). (6). \]
За \ (S \) редуващи се участъци от скалата за пространство, изчислени от извивките на оригиналното изображение с Гаусово последователно ядрото се променя \ изглаждане параметър (\ sigma_0, к \ sigma_0, ..., к ^ S \ sigma_0 \). Следват локален екстремум на функция \ (Г (х, у, \ сигма) \). За тази функция стойност \ (Г (х, у, к ^ аз \ sigma_0) \) при всяка точка \ ((х, у) \) се сравнява със стойностите в осем съседни пиксели за една и съща стойност на параметъра за мащаб, и 18 Ti съседни пиксели, принадлежащи на предходните и следващите резена променлива пространство размер. Локален екстремум, при което стойността \ (| D (х; \ сигма) | \) не надвишава предварително определен праг, са отхвърлени. След това, матрица от \ (Н \) на втората частична производни (Hessian) функция \ (Г (х, у, \ сигма) \). Ако стойността на \ (TR (Н) ^ 2 / Подробности (H) \) е по-малко, отколкото някои праг, тогава точката се счита характеристика.
Фиг. 1. Диаграма на пресее детектор
Детектор SURF [6] използва същата идея на променлива скала пространство, и че детектор пресее но функция Гаус подходи правоъгълна филтър 9 х 9 в израза (5). Фигура 2 показва филтрите за получаване на частните производни на оригиналния образ \ (I (х, у) \) на \ (гг \) и \ (XY \); където лявата страна са (изрязаната) филтри вторите Gaussian производни, и дясно - правоъгълна филтрите, които изчисляват производни на тези приблизително. В извивка на оригиналното изображение с такива филтри, чиито тегла са цели числа изчислява много бързо. Освен това, като характерни точки, идентифицирани местно максимуми в прозореца, 3 × 3 × 3 функции:
Фиг. 2. Филтри за намиране на втората производна на яркостта в посоки \ (у \) и \ (XY \); и - Гаусово филтър (пресее); С, D - правоъгълни филтри с целочислени тегла (SURF)
Фиг. 3. пиксели, използвани в бърз алгоритъм проверява FAST
Позоваването
1. Моравец H. Rover визуална пречка избягване // Proc. Intl. Съвместна конференция по изкуствен интелект. - 1981 - стр 785-790.
2. Форстнер W. Тази функция се базира кореспонденция алгоритъм за съвпадение на изображение // Intl. Архиви на фотограметрия и дистанционни изследвания. - 1986 - В. 26. - стр 150-166.
3. Harris C. G. М. J. Stephens Комбинираната ъглов ръб и детектор // Proc. Четвърта конференция Alvey Vision. - 1988 - стр 147-151.