Обнаружение функций (компьютерное зрение)

В компьютерном зрении и обработке изображений обнаружение признаков включает методы для вычисления абстракций информации изображения и принятия локальных решений в каждой точке изображения, есть ли в этой точке объект изображения данного типа или нет. будут подмножествами области изображений, часто в виде изолированных точек, непрерывных кривых или связанных областей.

• 1 Определение объекта
• 2 Типы элементов изображения
  • 2.1 Края
  • 2.2 Углы / точки интереса
  • 2.3 Кляксы / области интереса
  • 2.4 Гребни
• 3 Детекторы признаков
• 4 Извлечение признаков
• 5 См. Также
• 6 Ссылки

Не существует универсального или точного определения того, что составляет признак, и точного определение часто зависит от проблемы или типа приложения. Тем не менее, особенность обычно определяется как «интересная» часть изображения , и эти особенности 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, желательным свойством для детектора признаков является повторяемость : будет ли обнаруживаться один и тот же признак в двух или более разных изображениях одной и той же сцены.

Обнаружение функции - это операция обработки изображения низкого уровня. То есть она обычно выполняется как первая операция с изображением и исследует каждый пиксель, чтобы увидеть, присутствует 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 признаков входное изображение обычно сглаживается ядром Гаусса в представлении в пространстве масштаба, и вычисляются одно или несколько изображений признаков, часто выражается в терминах локальных операций производных изображений.

Иногда, когда обнаружение признаков требует больших вычислительных ресурсов и есть временные ограничения, для управления этапом обнаружения признаков может использоваться алгоритм более высокого уровня, так что поиск выполняется только в определенных частях изображения. для функций.

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.

Края

Края - это точки, в которых 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 сильную величину градиента. 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 из-за того, что ранние алгоритмы сначала выполняли обнаружение края, а затем анализировали 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 кривизны 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 по традиции используется термин «угол».

Blobs / области точек интереса

Blob-объекты обеспечивают дополнительное описание структур изображения в терминах 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.

Рассмотрите возможность уменьшения изображения и последующего определения 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, детекторы blob LoG и DoH также упоминаются в статье о обнаружении углов.

Ridges

Для удлиненных объектов понятие гребней - естественный инструмент. Дескриптор гребня, вычисленный из изображения уровня серого, можно рассматривать как обобщение средней оси. 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 дорог на аэрофотоснимках и для извлечения кровеносных сосудов на медицинских изображениях - см. обнаружение гребней.

После обнаружения объектов можно выделить 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 признаков, можно упомянуть N-струи 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.

• Автоматическое аннотирование изображений
• Извлечение признаков
• Обучение признакам
• Выбор признаков
• Обнаружение переднего плана
• Векторизация (отслеживание изображений)

• T. Линдеберг (2008–2009). "Масштаб-пространство". В Бенджамине Ва (ред.). Энциклопедия компьютерных наук и инженерии. IV . Джон Уайли и сыновья. С. 2495–2504. doi : 10.1002 / 9780470050118.ecse609. ISBN 978-0470050118. (краткое изложение и обзор ряда детекторов признаков, сформулированных на основе операций масштабирования в пространстве)
• Кэнни, Дж. ( 1986). «Вычислительный подход к обнаружению края». IEEE Transactions по анализу шаблонов и машинному анализу. 8 (6): 679–714. doi : 10.1109 / TPAMI.1986.4767851.. (Canny edge detection )
• C. Harris; M. Stephens (1988). «Комбинированный детектор углов и краев» (PDF). Proceedings of the 4th Alvey Vision Conference. Pp. 147 –151. (обнаружение угла Харриса / Плесси)
• С.М. Смит; Дж. М. Брэди (май 1997 г.). «СУЗАН - новый подход к обработке изображений низкого уровня». International Journal компьютерного зрения. 23 (1): 45–78. doi : 10.1023 / A: 1007963824710.(Угловой детектор SUSAN)
• Дж. Ши ; C. Tomasi (июнь 1994). «Хорошие возможности для отслеживания»,. 9-я конференция IEEE по компьютерному зрению и распознаванию образов. Springer. (Угловой детектор Ши и Томази)
• Э. Ростен; Т. Драммонд (2006). «Машинное обучение для высокоскоростного обнаружения углов». Европейская конференция по компьютерному зрению. Springer, стр. 430–443. CiteSeerX 10.1. 1.60.3991. doi : 10.1007 / 11744023_34.(Детектор углов FAST)
• T. Lindeberg (1998). «Обнаружение признаков с автоматическим выбором шкалы « (аннотация). Международный журнал компьютерного зрения. 30 (2): 77–116. doi : 10.1023 / A: 1008045108935.(Лапласиан и детерминант обнаружения гессенской капли, а также автоматический выбор шкалы)
• D. Лоу (2004). «Отличительные особенности изображения от масштабно-инвариантных ключевых точек». Международный журнал компьютерного зрения. 60 (2): 91. CiteSeerX 10.1.1.73.2924. doi : 10.1023 / B: VISI.0000029664.99615.94.(обнаружение капли DOG с автоматическим выбором шкалы)
• J. Матас; О. Чум; М. Урбан; Т. Пайдла (2002). «Устойчивое стереофоническое изображение с широкой базовой линией из максимально стабильных экстремальных областей» (PDF). Британская конференция по машинному зрению. стр. 384–393. (Детектор капель MSER) ​​
• Т. Линдеберг (1993). «Обнаружение заметных каплевидных структур изображения и их масштабов с помощью первичного эскиза в пространстве масштаба: метод фокусировки внимания» (аннотация). Международный журнал компьютерного зрения. 11 (3): 283–318. doi : 10.1007 / BF01469346.(обнаружение BLOB-объектов на уровне серого и BLOB-объектов в пространстве масштаба)
• R. Харалик, "Гряды и долины на цифровых изображениях," Компьютерное зрение, графика и обработка изображений, том. 22, нет. 10, стр. 28–38, апрель 1983 г. (Выявление гребней с использованием фасетной модели)
• Дж. Л. Кроули и AC Паркер, «Представление формы на основе пиков и гребней разницы низкочастотного преобразования », IEEE Transactions on PAMI, PAMI 6 (2), стр. 156–170, март 1984. (Обнаружение гребней на основе DOG)
• Д. Эберли, Р. Гарднер, Б. Морс, С. Пайзер, К. Шарлах, Риджес для анализа изображений, Журнал математической визуализации и зрения, т. 4 н. 4, pp. 353–373, декабрь 1994 г. (Обнаружение гребня с фиксированной шкалой)
• T. Линдеберг (1998). «Обнаружение кромок и обнаружение гребней с автоматическим выбором шкалы» (аннотация). Международный журнал компьютерного зрения. 30 (2): 117–154. doi : 10.1023 / A: 1008097225773.(Определение гребня с автоматическим выбором шкалы)