Diferencia entre revisiones de «Detección de atributos (visión informática)»
Creado al traducir la página «Feature detection (computer vision)» Etiquetas: sin categorizar Traducción de contenido |
(Sin diferencias)
|
Revisión del 16:00 20 nov 2017
En visión por computadora y procesamiento de imagen el concepto de detección de características se refiere a métodos para computar abstracciones de información de imágenes y tomar decisiones locales en cada punto de la imagen si hay un característica de imagen de un tipo dado en ese punto o no. Las características resultantes serán subconjuntos del dominio de la imagen, a menudo en forma de puntos aislados, curvas continuas o regiones conectadas.
Definición de una característica
No existe una definición universal o exacta de qué constituye una característica, y la definición exacta a menudo depende de el problema o el tipo de aplicación. Dado que, una característica está definida como una parte "interesante" de una imagen, y las características se utilizan como punto de partida para muchos algoritmos de visión por computadoras. Como las características se utilizan como punto de partida y las primitivas principales para algoritmos posteriores, el algoritmo general a menudo solo será tan bueno como su detector de características. En consecuencia, la propiedad deseable para un detector de características es ''repetibilidad'': si se detectará o no la misma característica en dos o más imágenes diferentes de la misma escena.
La detección de características es una operación de procesamiento de imágenes de bajo nivel. Es decir, generalmente se realiza como la primera operación en una imagen y examina cada píxel para ver si hay una característica presente en ese píxel. Si esto es parte de un algoritmo mayor, entonces el algoritmo normalmente solo examinará la imagen en la región de las características. Como prerrequisito incorporado para la detección de características, la imagen de entrada suele suavizarse mediante un núcleo Gaussiano en representación de escala-espacio y se calcula una o varias imágenes de entidades , a menudo expresado en términos de operaciones de derivados de imágenes locales.
Ocasionalmente, cuando la detección de características es computacionalmente costosa y hay limitaciones de tiempo, se puede usar un algoritmo de nivel superior para guiar la etapa de detección de características, de modo que solo se buscan características de ciertas partes de la imagen.
Muchos algoritmos de visión por computadora utilizan la detección de características como paso inicial, por lo que se ha desarrollado una gran cantidad de detectores de funciones. Estos varían ampliamente en los tipos de características detectadas, la complejidad computacional y la repetibilidad.
Tipos de características de imagen
Bordes
Los bordes son puntos donde hay un límite (o un borde) entre dos regiones de imagen. En general, un borde puede ser de forma casi arbitraria, y puede incluir uniones. En la práctica, los bordes generalmente se definen como conjuntos de puntos en la imagen que tienen una fuerte magnitud de gradiente. Además, algunos algoritmos comunes encadenarán puntos de gradiente alto para formar una descripción más completa de un borde. Estos algoritmos generalmente colocan algunas restricciones en las propiedades de un borde, como la forma, la suavidad y el valor del degradado.
Localmente, los bordes tienen una estructura unidimensional.
Esquinas / puntos de interés
Los términos esquinas y puntos de interés se usan de manera intercambiable y se refieren a características puntuales en una imagen, que tienen una estructura bidimensional local. El nombre "Esquina" surgió desde que los primeros algoritmos realizaron por primera vez detección de bordes, y luego analizaron los bordes para encontrar cambios rápidos en la dirección (esquinas). Estos algoritmos se desarrollaron entonces de modo que ya no se requería la detección explícita de bordes, por ejemplo buscando altos niveles de curvatura en el gradiente de la imagen. Luego se observó que las llamadas esquinas también se detectaban en partes de la imagen que no eran esquinas en el sentido tradicional (por ejemplo, se puede detectar una pequeña mancha brillante sobre un fondo oscuro). Estos puntos se conocen con frecuencia como puntos de interés, pero el término "esquina" es usado por la tradición.
Blobs / regiones de puntos de interés
Los blobs proporcionan una descripción complementaria de las estructuras de la imagen en términos de regiones, a diferencia de las esquinas que son más puntuales. Sin embargo, los descriptores de manchas a menudo pueden contener un punto preferido (un máximo local de una respuesta del operador o un centro de gravedad) lo que significa que muchos detectores de manchas también pueden considerarse operadores de puntos de interés. Los detectores de blobs pueden detectar áreas en una imagen que son demasiado suaves para ser detectadas por un detector de esquina.
Considere reducir una imagen y luego realizar detección de esquina. El detector responderá a los puntos que son nítidos en la imagen contraída, pero puede ser suave en la imagen original. Es en este punto que la diferencia entre un detector de esquina y un detector de blob se vuelve algo vaga. En gran medida, esta distinción puede remediarse incluyendo una noción de escala apropiada. Sin embargo, debido a sus propiedades de respuesta a diferentes tipos de estructuras de imagen a diferentes escalas, los detectores de blob LoG y DoH también se mencionan en el artículo sobre detección de esquinas.
Crestas
Para los objetos alargados, la noción de "crestas" es una herramienta natural. Un descriptor de cresta calculado a partir de una imagen de nivel de gris se puede ver como una generalización de un eje medio. Desde un punto de vista práctico, una cresta se puede considerar como una curva unidimensional que representa un eje de simetría, y además tiene un atributo de ancho de cresta local asociado con cada punto de cresta. Desafortunadamente, sin embargo, es algorítmicamente más difícil extraer las características de cresta de las clases generales de imágenes de nivel de grises que las características de borde, esquina o burbuja. Sin embargo, los descriptores de cresta se utilizan con frecuencia para la extracción de carreteras en imágenes aéreas y para extraer vasos sanguíneos en imágenes médicas - consulte detección de cresta.
Detectores de características
| Detector de características | Borde | Esquina | Blob |
|---|---|---|---|
| Canny | X | ||
| Sobel | X | ||
| Kayyali | X | ||
| Harris & Stephens / Plessey / Shi–Tomasi | X | X | |
| SUSAN | X | X | |
| Shi & Tomasi | X | ||
| Detector de esquinas |
X | ||
| FAST | X | X | |
| Laplaciano de Gaussiano | X | X | |
| Diferencia de Gaussianos | X | X | |
| Determinante de Hessian | X | X | |
| MSER | X | ||
| PCBR | X | ||
| Reconocimiento de regiones |
X |
Extracción de características
Una vez que se han detectado las características, se puede extraer un parche de imagen local alrededor de la característica. Esta extracción puede implicar cantidades bastante considerables de procesamiento de imágenes. El resultado se conoce como descriptor de características o vector de características. Entre los enfoques que se utilizan para la descripción de características, se pueden mencionar N-jets y histogramas locales (ver transformación de característica invariante de escala para un ejemplo de un descriptor de histograma local). Además de dicha información de atributos, el paso de detección de características en sí mismo también puede proporcionar atributos complementarios, tales como la orientación del borde y la magnitud del gradiente en la detección de bordes y la polaridad y la intensidad del blob en la detección de blobs.
Ver también
Referencias
- T. Lindeberg (2008–2009). «Scale-space». Encyclopedia of Computer Science and Engineering (Benjamin Wah, ed), John Wiley and Sons IV: 2495-2504. doi:10.1002/9780470050118.ecse609. (summary and review of a number of feature detectors formulated based on a scale-space operations)
- Canny, J. (1986). «A Computational Approach To Edge Detection». IEEE Trans. Pattern Analysis and Machine Intelligence 8 (6): 679-714. 1986. doi:10.1109/TPAMI.1986.4767851. (Algoritmo de Canny)
- C. Harris; M. Stephens (1988). " http://www.bmva.org/bmvc/1988/avc-88-023.pdf. Falta el
|título=(ayuda)" (PDF). pp. (Harris/Plessey Detección de esquina)
- S. M. Smith; J. M. Brady (mayo 1997). "SUSAN - una aproximación nueva a procesamiento de imagen de nivel bajo". «SUSAN - a new approach to low level image processing». International Journal of Computer Vision 23 (1): 45-78. May 1997. doi:10.1023/A:1007963824710. (1): 45@–78. doi:10.1023/Un:1007963824710. (El detector de esquina de la SUSAN)
- J. Shi; C. Tomasi (Junio 1994). "Características buenas para Seguir,". http://citeseer.ist.psu.edu/shi94good.html. Falta el
|título=(ayuda) Salmer. (El Shi y Tomasi detector de esquina)
- E. Rosten; T. Drummond (2006). "Aprendizaje de máquina para detección de esquina de velocidad alta". . doi:10.1007/11744023_34. Falta el
|título=(ayuda) Salmer. pp. . doi:10.1007/11744023_34. (El detector de esquina RÁPIDO)
- T. Lindeberg (1998). "T. Lindeberg (1998). «Feature detection with automatic scale selection» (abstract). International Journal of Computer Vision 30 (2): 77-116. doi:10.1023/A:1008045108935." (abstracto). (2): 77@–116. doi:10.1023/Un:1008045108935. (Laplaciano y determinante de Hessian blob detección así como selección de escala automática)
- D. Lowe (D. Lowe (2004). «Distinctive Image Features from Scale-Invariant Keypoints». International Journal of Computer Vision 60 (2): 91. doi:10.1023/B:VISI.0000029664.99615.94.004). "Características de Imagen distintiva de Escala-Invariable Keypoints". Revista internacional de Visión de Ordenador. (2): 91. doi:10.1023/B:VISI.0000029664.99615.94. (PERRO blob detección con selección de escala automática)
- J. Matas; O. Chum; M. Urbano; T. Pajdla (2002). " http://cmp.felk.cvut.cz/~matas/papers/matas-bmvc02.pdf. Falta el
|título=(ayuda)" (PDF). pp. (El MSER blob detector)
- T. Lindeberg (1993). "Detectando Saliente Blob-Gustar Estructuras de Imagen y Su Balanza con una Escala-Espacial Primal Croquis: Un Método para Foco-de-Atención" (abstracto). T. Lindeberg (1993). «Detecting Salient Blob-Like Image Structures and Their Scales with a Scale-Space Primal Sketch: A Method for Focus-of-Attention» (abstract). International Journal of Computer Vision 11 (3): 283-318. doi:10.1007/BF01469346. (3): 283@–318. doi:10.1007/BF01469346. (Grey-nivelar blob detección y escala-espaciales blobs)
- R. Haralick, "Ridges y Valles en Imágenes Digitales," Visión de Ordenador, Gráfico, y Procesamiento de Imagen vol. 22, núm. 10, pp. 28@–38, Abr. 1983. (Ridge La detección que utiliza modelo de faceta)
- J. L. Crowley y Un. C. Parker, "Una Representación para la forma Basada en Cumbres y Ridges en la Diferencia de Pase Bajo Transforma", Transacciones de IEEE en PAMI, PAMI 6 (2), pp. 156@–170, Marcha 1984. (Ridge La detección basada en Perros)
- D. Eberly, R. Gardner, B. Morse, S. Pizer, C. Scharlach, Ridges para análisis de imagen, Revista de Matemático Imaging y Visión, v. 4 n. 4, pp. 353@–373, Dic. 1994. (Escala fija ridge detección)
- T. Lindeberg (1998). «Edge detection and ridge detection with automatic scale selection» (abstract). International Journal of Computer Vision 30 (2): 117-154. doi:10.1023/A:1008097225773." (abstracto). (2): 117@–154. doi:10.1023/Un:1008097225773. (Ridge Detección con selección de escala automática)