Language
Country/Area
No result found
Regiões de imagens misteriosas: por que precisamos detectar" bolhas "nas imagens?
No campo da visão computacional, o método de detecção de "blobs" consiste principalmente em identificar as diferenças qualitativas de áreas em imagens digitais, como brilho ou cor, em comparação com as áreas circundantes. De forma informal, um blob é uma região de uma imagem em que alguma propriedade é constante ou aproximadamente constante, em certo sentido, todos os pontos dentro do blob podem ser considerados semelhantes entre si; A importância desta técnica de detecção é que ela pode fornecer informações complementares diferentes da detecção de bordas ou de cantos.
"Em estudos anteriores, a detecção de bolhas foi usada para obter regiões de interesse para processamento posterior, que podem revelar objetos ou partes de objetos no campo da imagem."
A detecção de blob geralmente é realizada por meio de métodos de convolução. De acordo com a pesquisa, existem duas categorias principais de detectores de blob: (i) métodos diferenciais baseados em derivadas de funções e (ii) métodos baseados em extremos locais, visando encontrar máximos e mínimos locais de uma função. Esses detectores também podem ser chamados de operadores de pontos de interesse ou operadores de regiões de interesse. Uma das principais motivações para a compreensão e desenvolvimento destes detectores é fornecer informações complementares sobre regiões que não podem ser obtidas através da detecção de bordas ou cantos.
A detecção de blob tem uma ampla gama de aplicações. Além do reconhecimento e rastreamento de objetos, ela também pode ser usada para análise de histograma, detecção de pico e segmentação. Nos últimos anos, os descritores de blob tornaram-se cada vez mais populares em campos como análise e reconhecimento de textura, correspondência estéreo de base ampla, etc. Esses descritores podem exibir recursos de imagem significativos e realizar reconhecimento de objetos baseado em aparência com base em estatísticas de imagens locais.
"Na literatura de visão computacional, esse método é conhecido como método da diferença de Gaussianos (DoG) e é usado principalmente no algoritmo Scale Invariant Feature Transform (SIFT)."
O método gaussiano de Laplace é um dos primeiros e mais comuns detectores de blob. Para uma imagem de entrada, o resultado da aplicação do operador Laplaciano após a convolução com um kernel gaussiano pode identificar manchas escuras e brilhantes na imagem. É claro que esta abordagem sofre do problema da dependência da relação entre o tamanho da estrutura do blob e o tamanho do kernel gaussiano. Para resolver este problema, uma abordagem multiescala deve ser adotada para capturar automaticamente bolhas de tamanhos diferentes (desconhecidos) no domínio da imagem.
Através de técnicas de alto nível, como a detecção de blob usando determinantes de Hessian, os pesquisadores melhoraram ainda mais a precisão e a eficiência da detecção de blob. Esta técnica permite a detecção de máximos locais e demonstra a presença de objetos alongados e semelhantes a bastonetes usando este método.
"Tais operadores determinantes híbridos de Laplace e Hessianos foram propostos e amplamente utilizados em correspondência de imagens, reconhecimento de objetos e análise de texturas."
No sistema de processamento de imagem, a imagem de entrada não está apenas sujeita à deformação geométrica plana, mas também afetada pela transformação afim. Portanto, para obter descritores de blob mais robustos às transformações afins, muitas novas operações de convolução são desenvolvidas para torná-los mais adaptáveis a diferentes mudanças de ângulo de visão. Por exemplo, as operações de diferença laplaciana e gaussiana são ajustadas para corresponder à estrutura local ao redor da imagem.
Os modernos detectores de bolhas espaço-temporais ampliam ainda mais esses conceitos, aplicando-os à detecção de características conjuntas no tempo e no espaço, o que é crucial para analisar as características de objetos em movimento.
Através do desenvolvimento contínuo e da exploração técnica, temos uma compreensão mais profunda do mecanismo de localização de bolhas nas imagens. Neste campo de visão computacional em rápido desenvolvimento, quais novos recursos de imagem a futura tecnologia de detecção de blob nos levará a explorar?
