Language
Country/Area
No result found
Régions d'images mystérieuses : pourquoi devons-nous détecter les « blobs » dans les images ?
Dans le domaine de la vision par ordinateur, la méthode de détection des « blobs » consiste principalement à identifier les différences qualitatives des zones des images numériques, telles que la luminosité ou la couleur, par rapport aux zones environnantes. De manière informelle, un blob est une région d'une image dans laquelle une propriété est constante ou approximativement constante, dans un certain sens, tous les points du blob peuvent être considérés comme similaires les uns aux autres ; L’importance de cette technique de détection est qu’elle peut fournir des informations complémentaires différentes de la détection des contours ou de la détection des coins.
"Dans des études antérieures, la détection de taches était utilisée pour obtenir des régions d'intérêt pour un traitement ultérieur, ce qui peut révéler des objets ou des parties d'objets dans le champ de l'image."
La détection des objets blob est généralement effectuée via des méthodes de convolution. Selon les recherches, il existe deux catégories principales de détecteurs de blobs : (i) les méthodes différentielles basées sur les dérivées de fonctions et (ii) les méthodes basées sur les extremums locaux, visant à trouver les maxima et minima locaux d'une fonction. Ces détecteurs peuvent également être appelés opérateurs de points d'intérêt ou opérateurs de régions d'intérêt. L’une des principales motivations pour comprendre et développer ces détecteurs est de fournir des informations complémentaires sur les régions qui ne peuvent pas être obtenues par la détection des bords ou des coins.
La détection de blob a un large éventail d'applications. En plus de la reconnaissance et du suivi d'objets, elle peut également être utilisée pour l'analyse d'histogrammes, la détection de pics et la segmentation. Ces dernières années, les descripteurs de blob sont devenus de plus en plus populaires dans des domaines tels que l'analyse et la reconnaissance de textures, la correspondance stéréo à large base, etc. Ces descripteurs peuvent afficher des caractéristiques d'image significatives et effectuer une reconnaissance d'objets basée sur l'apparence sur la base de statistiques d'images locales.
"Dans la littérature sur la vision par ordinateur, cette méthode est connue sous le nom de méthode de différence de Gaussiennes (DoG) et est principalement utilisée dans l'algorithme SIFT (Scale Invariant Feature Transform)."
La méthode gaussienne de Laplace est l'un des détecteurs de gouttes les plus anciens et les plus courants. Pour une image d'entrée, le résultat de l'application de l'opérateur laplacien après convolution avec un noyau gaussien peut identifier des taches sombres et lumineuses dans l'image. Bien entendu, cette approche souffre du problème de dépendance à la relation entre la taille de la structure blob et la taille du noyau gaussien. Pour résoudre ce problème, une approche multi-échelle doit être adoptée pour capturer automatiquement des blobs de différentes tailles (inconnues) dans le domaine de l'image.
Grâce à des techniques de niveau supérieur, telles que la détection de taches à l'aide de déterminants hessiens, les chercheurs ont encore amélioré la précision et l'efficacité de la détection de taches. Cette technique permet la détection des maxima locaux et démontre la présence d’objets en forme de bâtonnets et allongés à l’aide de cette méthode.
"De tels opérateurs déterminants hybrides de Laplace et de Hesse ont été proposés et largement utilisés dans la mise en correspondance d'images, la reconnaissance d'objets et l'analyse de textures."
Dans le système de traitement d'image, l'image d'entrée est non seulement soumise à une déformation géométrique plane, mais également affectée par une transformation affine. Par conséquent, afin d’obtenir des descripteurs de blob plus robustes aux transformations affines, de nombreuses nouvelles opérations de convolution sont développées pour les rendre plus adaptables aux différents changements d’angle de vue. Par exemple, les opérations de différence laplacienne et gaussienne sont ajustées pour correspondre à la structure locale autour de l'image.
Les détecteurs de taches spatio-temporels modernes étendent encore ces concepts, en les appliquant à la détection de caractéristiques conjointes dans le temps et dans l'espace, ce qui est crucial pour analyser les caractéristiques des objets en mouvement.
Grâce à un développement continu et à une exploration technique, nous comprenons mieux le mécanisme permettant de rechercher des blobs dans les images. Dans ce domaine en développement rapide de la vision par ordinateur, quelles nouvelles fonctionnalités d’image la future technologie de détection de taches nous amènera-t-elle à explorer ?
