Recunoașterea regiunilor

În viziunea computerizată , detectarea Blob (în engleză: Blob detection) sau recunoașterea regiunilor este o tehnică care are ca scop detectarea punctelor și / sau regiunilor dintr-o imagine care diferă prin proprietăți precum luminozitatea sau culoarea în comparație cu mediul. Există două detectoare clasice de blob: metode diferențiale bazate pe expresii derivate și metode bazate pe extreme locale în intensitatea peisajului. Terminologia recentă îi definește ca operatori punctuali și operatori regionali.

Detectoarele blob sunt studiate și dezvoltate pentru a oferi informații complementare despre regiuni, care nu pot fi obținute din recunoașterea conturului sau recunoașterea colțurilor . În lucrările de pregătire, detectarea blobului este utilizată pentru a obține regiuni de interes pentru procesele de lucru ulterioare. Aceste regiuni pot semnaliza prezența obiectelor sau părților de obiecte în domeniul imaginii cu aplicarea recunoașterii obiectelor și / sau a urmăririi obiectelor . În alte domenii, cum ar fi analiza histogramei, descriptorii blob pot fi utilizați pentru detectarea vârfurilor cu aplicații în segmentare. O altă utilizare se găsește ca primitive primare în analiza și recunoașterea texturilor.

Blob de nivel gri

O abordare naturală a detectării bloburilor este asocierea unui blob luminos (sau întunecat) cu orice maxim local în intensitatea peisajului. O problemă fundamentală cu acest tip de abordare este că extremele locale sunt foarte sensibile la zgomot. Pentru a rezolva această problemă, Lindeberg (1993, 1994) a studiat problema detectării maximelor locale cu extensii multi-scară în scara spațială. O regiune cu o întindere spațială definită de un bazin hidrografic analog este asociată cu fiecare maxim local, ca un contrast local definit de așa-numitul punct de șa delimitare. O locație extremă definită în acest mod se numește blob în tonuri de gri. Un copac blob de nivel gri a fost definit pentru a lua structura topologică altoită a seturilor de niveluri în intensitatea peisajului, într-un mod invariant sub deformări afine în domeniul imaginii și pentru transformări de intensitate monotonă. Studiind modul în care aceste structuri evoluează cu scări crescânde, a fost introdusă noțiunea de blob pentru scara spațială.

Laplacian al unui gaussian

Unul dintre cei mai obișnuiți detectori blob se bazează pe laplacianul filtrului Gauss, având în vedere o imagine de intrare $f(x,y)$ ${\ displaystyle f (x, y)}$ ${\ displaystyle f (x, y)}$ , această imagine este o convoluție a unei convolute gaussiene.

g(x,y,t)={\frac {1}{2\pi t^{2}}}e^{-{\frac {x^{2}+y^{2}}{2t^{2}}}}

{\ displaystyle g (x, y, t) = {\ frac {1} {2 \ pi t ^ {2}}} e ^ {- {\ frac {x ^ {2} + y ^ {2}} { 2t ^ {2}}}}}

{\ displaystyle g (x, y, t) = {\ frac {1} {2 \ pi t ^ {2}}} e ^ {- {\ frac {x ^ {2} + y ^ {2}} { 2t ^ {2}}}}}

la o anumită scară $t$ ${\ displaystyle t}$ $t$ pentru a da o reprezentare la scară spațială $L(x,y;t)\ =g(x,y,t)*f(x,y)$ ${\ displaystyle L (x, y; t) \ = g (x, y, t) * f (x, y)}$ ${\ displaystyle L (x, y; t) \ = g (x, y, t) * f (x, y)}$ . Prin urmare, rezultatul aplicării unui operator lapacian:

\nabla ^{2}L=L_{xx}+L_{yy}

{\ displaystyle \ nabla ^ {2} L = L_ {xx} + L_ {yy}}

{\ displaystyle \ nabla ^ {2} L = L_ {xx} + L_ {yy}}

este calculat, ceea ce oferă de obicei rezultate pozitive puternice pentru bloburile de măsurare întunecate ${\sqrt {2t}}$ ${\ displaystyle {\ sqrt {2t}}}$ ${\ displaystyle {\ sqrt {2t}}}$ și răspunsuri negative puternice pentru bloburi luminoase de dimensiuni similare. Problema principală atunci când aplicăm acest operator la o singură scară, totuși, răspunsul operatorului depinde în mare măsură de relația dintre dimensiunea structurilor blob din domeniul imaginii și dimensiunea nucleului Gaussian utilizat pentru pre-aplatizare (pre- netezire). Pentru a lua automat blob-uri de diferite dimensiuni în domeniul imaginii, este necesară o abordare pe mai multe scale.

Determinantul Hesse

Având în vedere determinantul normalizat pentru scara Hessian, denumit și operatorul Monge-Ampère .

\operatorname {det} HL(x,y;t)=t^{2}(L_{xx}L_{yy}-L_{xy}^{2})

{\ displaystyle \ operatorname {det} HL (x, y; t) = t ^ {2} (L_ {xx} L_ {yy} -L_ {xy} ^ {2})}

{\ displaystyle \ operatorname {det} HL (x, y; t) = t ^ {2} (L_ {xx} L_ {yy} -L_ {xy} ^ {2})}

unde este $H. L$ ${\ displaystyle HL}$ ${\ displaystyle HL}$ denotă Matricea Hessiană a $L$ ${\ displaystyle L}$ $L$ și după detectarea la scară spațială maximă a acestui operator, el obține un alt detector diferențial de blob cu selecție automată a scării, care răspunde și la "șeuri" (Lindeberg 1994, 1998)

({\hat {x}},{\hat {y}};{\hat {t}})=\operatorname {argmaxlocal} _{(x,y;t)}(\operatorname {det} HL(x,y;t))

{\ displaystyle ({\ hat {x}}, {\ hat {y}}; {\ hat {t}}) = \ operatorname {argmaxlocal} _ {(x, y; t)} (\ operatorname {det} HL (x, y; t))}

{\ displaystyle ({\ hat {x}}, {\ hat {y}}; {\ hat {t}}) = \ operatorname {argmaxlocal} _ {(x, y; t)} (\ operatorname {det} HL (x, y; t))}

.

Blobul indică $({\hat {x}},{\hat {y}})$ ${\ displaystyle ({\ hat {x}}, {\ hat {y}})}$ ${\ displaystyle ({\ hat {x}}, {\ hat {y}})}$ iar scările ${\hat {t}}$ ${\ displaystyle {\ hat {t}}}$ ${\ displaystyle {\ hat {t}}}$ ele sunt definite și prin definiții geometrice diferențiale operaționale care conduc descriptori blob care sunt covarianți cu traduceri, rotații și scale în domeniul imaginii. În ceea ce privește selecția scării, blob-urile definite de extremele de scară spațială ale determinantului hessian (DoH) au, de asemenea, proprietăți mai bune de selecție a scării sub transformări afine neeuclidiene decât operația laplaciană mai obișnuită (Lindeberg 1994, 1998). Într-o formă simplificată, determinantul Hessian normalizat calculat din wavelets-uri Haar este utilizat ca operator de punct de interes de bază în descriptorul SURF (Bay și colab. 2006) pentru recunoașterea obiectelor și potrivirea imaginilor.

Bibliografie

Christopher Evans, Note despre biblioteca OpenSURF , în Cercetarea detecției robuste a caracteristicilor vizuale . Adus la 20 decembrie 2015 (arhivat din original la 3 noiembrie 2015) .

H. Bay, T. Tuytelaars și L. van Gool, SURF: Speeded Up Robust Features , în Proceedings of the 9th European Conference on Computer Vision, Springer LNCS volumul 3951, partea 1 , 2006, pp. 404-417.
L. Bretzner și T. Lindeberg, Feature Tracking with Automatic Selection of Spatial Scales ( abstract ), în Computer Vision and Image Understanding , vol. 71, nr. 3, 1998, pp. 385–392, DOI : 10.1006 / cviu.1998.0650 .
T. Lindeberg, Detectarea unor structuri de imagini asemănătoare petei și scalelor lor cu o schiță primară la scară-spațiu: o metodă pentru focalizarea atenției ( abstract ), în International Journal of Computer Vision , vol. 11, n. 3, 1993, pp. 283–318, DOI : 10.1007 / BF01469346 .
T. Lindeberg, Scale-Space Theory in Computer Vision , Springer, 1994, ISBN 0-7923-9418-6 .
T. Lindeberg, Feature detection with automatic scale selection ( abstract ), în International Journal of Computer Vision , vol. 30, n. 2, 1998, pp. 77–116, DOI : 10.1023 / A: 1008045108935 .
T. Lindeberg și J. Garding, Netezire adaptată la formă în estimarea indicilor de adâncime 3- {D} din distorsiunile afine ale structurii locale 2- {D} , în Image and Vision Computing , vol. 15, 1997, pp. 415-434, DOI : 10.1016 / S0262-8856 (97) 01144-X .
T. Lindeberg, Scale-Space , în Scale-space , Encyclopedia of Computer Science and Engineering (Benjamin Wah, ed.), John Wiley și Sons , IV, 2008, pp. 2495–2504, DOI : 10.1002 / 9780470050118.ecse609 , ISBN 0-470-05011-X .
DG Lowe, Caracteristici distincte ale imaginii din puncte cheie invariante la scară , în International Journal of Computer Vision , vol. 60, n. 2, 2004, pp. 91-110, DOI : 10.1023 / B: VISI.0000029664.99615.94 .
J. Matas, O. Chum, M. Urban și T. Pajdla, Stereo robust de bază larg din regiuni extrem de maxime stabile ( PDF ), în British Machine Vision Conference , 2002, pp. 384–393.
K. Mikolajczyk, K. și C. Schmid, Detectoare de puncte de interes invariante la scară și afine ( PDF ), în International Journal of Computer Vision , vol. 60, n. 1, 2004, pp. 63–86, DOI : 10.1023 / B: VISI.0000027790.02288.f2 .

Elemente conexe

Portal IT : accesați intrările Wikipedia care se ocupă cu IT