Обнаружение функций (компьютерное зрение) - Feature detection (computer vision)

Письменный стол с детектором Харриса.png
Обнаружение функции
Обнаружение края
Обнаружение углов
Обнаружение капли
Обнаружение гребня
Преобразование Хафа
Структурный тензор
Обнаружение аффинно-инвариантных признаков
Описание функции
Масштабировать пространство

В компьютерное зрение и обработка изображений обнаружение функции включает методы для вычисления абстракций информации изображения и принятия локальных решений в каждой точке изображения, существует ли функция изображения данного типа в этот момент или нет. Полученные в результате функции будут подмножествами области изображения, часто в форме изолированных точек, непрерывных кривых или связанных областей.

Определение признака

Не существует универсального или точного определения того, что составляет функцию, и точное определение часто зависит от проблемы или типа приложения. Тем не менее, функция обычно определяется как "интересная" часть образ, и функции используются в качестве отправной точки для многих алгоритмов компьютерного зрения. Поскольку функции используются в качестве отправной точки и основных примитивов для последующих алгоритмов, общий алгоритм часто будет настолько хорош, насколько хорош его детектор функций. Следовательно, желаемое свойство для детектора признаков: повторяемость: будет ли одна и та же функция обнаруживаться на двух или более разных изображениях одной и той же сцены.

Обнаружение функций - это низкоуровневый обработка изображений операция. То есть он обычно выполняется как первая операция над изображением и проверяет все пиксель чтобы увидеть, есть ли в этом пикселе особенность. Если это часть более крупного алгоритма, то алгоритм обычно проверяет изображение только в области функций. В качестве встроенного предварительного условия для обнаружения функции входное изображение обычно сглаживается Гауссовский ядро в представление в масштабном пространстве и вычисляются одно или несколько изображений признаков, часто выражаемых в терминах локальных производные изображения операции.

Иногда, когда функция обнаружения вычислительно дорогой и существуют временные ограничения, алгоритм более высокого уровня может использоваться для управления этапом обнаружения признаков, так что только определенные части изображения ищутся на предмет признаков.

Существует множество алгоритмов компьютерного зрения, которые используют обнаружение признаков в качестве начального шага, поэтому в результате было разработано очень большое количество детекторов признаков. Они сильно различаются по типам обнаруживаемых функций, вычислительной сложности и повторяемости.

Типы особенностей изображения

Края

Края - это точки, где есть граница (или край) между двумя областями изображения. Как правило, кромка может иметь почти произвольную форму и может включать стыки. На практике края обычно определяются как наборы точек на изображении, которые имеют сильный градиент величина. Кроме того, некоторые общие алгоритмы затем объединяют точки с высоким градиентом в цепочку, чтобы сформировать более полное описание края. Эти алгоритмы обычно накладывают некоторые ограничения на свойства кромки, такие как форма, гладкость и значение градиента.

Локально ребра имеют одномерную структуру.

Углы / точки интереса

Термины углы и точки интереса используются в некоторой степени взаимозаменяемо и относятся к точечным элементам изображения, которые имеют локальную двумерную структуру. Название «Угол» возникло с тех пор, как первые алгоритмы начали работать. обнаружение края, а затем проанализировали края, чтобы найти быстрые изменения направления (углы). Затем эти алгоритмы были разработаны так, чтобы явное обнаружение краев больше не требовалось, например, путем поиска высоких уровней кривизна в градиенте изображения. Затем было замечено, что так называемые углы также обнаруживались на частях изображения, которые не были углами в традиционном смысле (например, может быть обнаружено небольшое яркое пятно на темном фоне). Эти точки часто называют интересными, но термин «угол» используется по традиции.[нужна цитата ].

BLOB-объекты / области интереса

Большие двоичные объекты обеспечивают дополнительное описание структур изображения с точки зрения областей, в отличие от углов, которые более похожи на точки. Тем не менее, дескрипторы больших двоичных объектов часто могут содержать предпочтительную точку (локальный максимум реакции оператора или центр тяжести), что означает, что многие детекторы больших двоичных объектов могут также рассматриваться как операторы точки интереса. Детекторы капель могут обнаруживать области изображения, которые слишком гладкие для обнаружения угловым детектором.

Попробуйте сжать изображение и затем выполнить обнаружение углов. Детектор будет реагировать на точки, которые резкие на уменьшенном изображении, но могут быть гладкими на исходном изображении. Именно здесь разница между угловым детектором и детектором капель становится несколько расплывчатой. В значительной степени это различие можно исправить, включив соответствующее понятие масштаба. Тем не менее, из-за их свойств отклика на различные типы структур изображения в разных масштабах, LoG и DoH детекторы капель также упоминаются в статье о обнаружение угла.

Хребты

Для удлиненных объектов понятие гребни это естественный инструмент. Дескриптор гребня, вычисленный из изображения уровня серого, можно рассматривать как обобщение медиальная ось. С практической точки зрения гребень можно рассматривать как одномерную кривую, которая представляет ось симметрии и, кроме того, имеет атрибут локальной ширины гребня, связанный с каждой точкой гребня. К сожалению, однако, алгоритмически сложнее выделить элементы гребня из общих классов изображений с уровнем серого, чем элементы края, угла или пятна. Тем не менее, дескрипторы гребней часто используются для извлечения дороги на аэрофотоснимках и для извлечения кровеносных сосудов на медицинских изображениях - см. обнаружение гребня.

Детекторы признаков

Детекторы общих признаков и их классификация:
Детектор функцийКрайУгловойBlob
CannyдаНетНет
СобельдаНетНет
КайялидаНетНет
Харрис и Стивенс / Плесси / Ши – ТомазидадаНет
СЬЮЗЕНдадаНет
Ши и ТомазиНетдаНет
Кривизна кривой уровняНетдаНет
БЫСТРЫЙНетдада
Лапласиан ГауссаНетдада
Разница гауссиановНетдада
Определитель гессианаНетдада
MSERНетНетда
PCBRНетНетда
Капли серого уровняНетНетда

Извлечение признаков

После обнаружения объектов можно извлечь локальный фрагмент изображения вокруг объекта. Это извлечение может потребовать обработки довольно значительных объемов изображения. Результат известен как дескриптор признака или вектор признака. Среди подходов, которые используются для описания функций, можно отметить N-жеты и локальные гистограммы (см. масштабно-инвариантное преобразование признаков для одного примера дескриптора локальной гистограммы). В дополнение к такой атрибутивной информации этап обнаружения признаков сам по себе может также обеспечивать дополнительные атрибуты, такие как ориентация краев и величина градиента при обнаружении краев, а также полярность и сила пятна при обнаружении блоба.

Смотрите также

использованная литература