Language
Country/Area
No result found
Сила множественных масштабов: как автоматически идентифицировать капли разных размеров?
В компьютерном зрении методы обнаружения пятен направлены на выявление областей на цифровых изображениях, которые по свойствам (таким как яркость или цвет) отличаются от окружающих областей. В общем случае, пятно — это область изображения, некоторые свойства которой приблизительно постоянны; это означает, что все точки в пятне в некотором смысле похожи друг на друга. В этой статье будут рассмотрены различные методы обнаружения пятен, в частности, как автоматически идентифицировать пятна разных размеров с помощью многомасштабного подхода.
Почему стоит сосредоточиться на технологии обнаружения пятен?
Одной из основных причин изучения и разработки детекторов пятен является предоставление дополнительной информации, которую невозможно получить с помощью детекторов краев или углов. Раннее обнаружение пятен используется для получения интересующих областей для дальнейшей обработки. Эти области могут указывать на наличие объектов или частей объектов в области изображения, а их применение включает распознавание объектов и отслеживание целей. В других областях, таких как анализ гистограмм, дескрипторы пятен также могут использоваться для обнаружения пиков, что имеет решающее значение для сегментации. Другое распространенное применение дескрипторов двоичных объектов — в качестве основы для анализа и распознавания текстур.
Недавние исследования показали, что дескрипторы пятен играют все более важную роль в распознавании объектов по внешнему виду, которое основано на локальной статистике изображений.
Обнаружение Лапласа-Гаусса
Лапласиан Гаусса (LoG) — один из самых ранних и распространенных методов обнаружения пятен. При наличии входного изображения оно сначала свертывается с гауссовым ядром для получения масштабно-пространственного представления. Далее вычисляется результат после применения оператора Лапласа, который обычно дает сильный положительный отклик для активных пятен низкой яркости и сильный отрицательный отклик для пятен высокой яркости. Однако при применении этого оператора в одном масштабе на отклик сильно влияет соотношение между размером структуры пятна в области изображения и размером используемого гауссовского ядра.
Поэтому для автоматического захвата пятен различных (неизвестных) размеров в области изображения требуется многомасштабный подход.
Применение метода разности Гаусса
Метод на основе разности гауссовых распределений (DoG) используется для извлечения пятен из отредактированного изображения в масштабном пространстве. Он может приближаться к производительности оператора Лапласа и широко обсуждается в большинстве публикаций по компьютерному зрению. Особенностью этого метода является то, что его можно рассчитать по разнице между двумя сглаженными по Гауссу изображениями, что делает обнаружение пятен более эффективным.
Определитель матрицы Гессе
Рассмотрев детерминант матрицы Гессе, нормализованной по масштабу, мы можем получить новый способ обнаружения пятен. Этот метод может затем использоваться для автоматического выбора шкалы, а также хорошо работает в ответ на седловые точки. Кроме того, предложенный метод работает лучше традиционного оператора Лапласа при выборе масштаба при неевклидовых аффинных преобразованиях.
Гибридный метод обнаружения
При изучении обнаружения пятен некоторые ученые предложили гибридный оператор определителя Лапласа и Гессе. Этот метод сочетает в себе преимущества выбора пространства и выбора масштаба и применяется во многих областях, таких как сопоставление изображений, распознавание объектов и анализ текстур.
Аффинно-адаптированный детектор пятен
Учитывая, что входное изображение может быть подвержено искажению перспективы, разработка детектора пятен, инвариантного к аффинным преобразованиям, естественно, стала горячей точкой исследований. Суть этого метода заключается в выполнении аффинной корректировки формы дескриптора блоба для получения блобов в более сложных средах. Эти аффинно-адаптированные версии метода Лапласа, метода DoG и определителя Гессе обеспечивают более стабильные результаты обнаружения.
Эволюция пространственно-временных детекторов пятен
Важно отметить, что операторы определителя Гессе были расширены на область пространства-времени. Расширенное масштабно-нормализованное дифференциальное выражение предоставляет новые возможности для обнаружения пятен, делая идентификацию пятен в динамических процессах более распространенной.
Среди этих достижений мы можем увидеть преобразующее влияние технологии обнаружения пятен на компьютерное зрение. Современные методы обнаружения пятен не только отлично справляются со статическими изображениями, но и приобретают все большую значимость при съемке видео и динамических процессов с появлением пространственно-временного анализа. Однако в этой области еще предстоит решить много задач в будущем. Как лучше противостоять этим задачам, может быть, наша следующая важная тема?
