SIFT Scale Invariant Feature Transform
description
Transcript of SIFT Scale Invariant Feature Transform
![Page 1: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/1.jpg)
SIFTScale Invariant Feature Transform
1
![Page 2: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/2.jpg)
2
مقدمه•SIFTیک ابزار توصیف تصویر است معرفی شد.2004 و نسخه تکمیلی آن در 1999در سال •نسبت به تغییراتی مثل دوران و تغییر مقیاس پایدار است•، تغییرات نورپردازی، نویز و تغییر زاویه دید و affineنسبت به تبدیالت •
انسداد تا حدی پایدار است، شناسایی شی، شناسایی چهره، دنبال کردن شی registrationکاربردها: •
و... این طور SIFTروش هایی مثل انطباق کلیشه احتیاج به بخشبندی دارند، اما •
نیست
![Page 3: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/3.jpg)
3
SFITمراحل اصلی الگوریتم
تشخیص نقاط کلیدی تصویر•
محاسبه اطالعات توصیف کننده نقاط•
![Page 4: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/4.jpg)
4
تشخیص نقاط کلیدی تصویر نقاط کلیدی ̀به نقا̀طی از ت̀صویر گف̀ته ̀می شود که در فضای
مقیاس تصویر اکسترمم باشند.
.است اویر ت̀ص از ای ه مجمو̀ع ل شا̀م ویر ت̀ص مقیاس فضای ت̀صاویر ا̀ین مجمو̀عه ̀با ا̀ستفاده از کانولو̀شن ت̀صویر ا̀صلی با
فیلترهای گوسی با مقیاس های مختلف تولید می شوند.
![Page 5: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/5.jpg)
5
ساخت فضای مقیاس
)2
)(exp(21),,( 2
22
2 yxyxG
),(*),,(),,( yxIyxGyxL
),,( yxL),( yxI
کردن یک تابع گوسی با تصویر، یک نمونه نرم شده از آن به convolveبا • می توان میزان نرمی تصویر را تعیین کرد.σدست می آید. با ت̀غییر
![Page 6: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/6.jpg)
6
ساخت فضای مقیاس )ادامه(فضای مقیاس شامل چند تصویر است ̀که با چند بار اعمال فیلتر گوسی •
بدست آمده اند.
![Page 7: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/7.jpg)
7
ساخت فضای مقیاس )ادامه( انجام شده و یک ”اکتاو“ جدید ساخته می شود.resamplingسپس عمل •( محاسبه می شود.DoGدر هر اکتاو، تفاضل گوسی ها )•
X
Y
σ
D(X,Y, σ)
![Page 8: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/8.jpg)
8
ساخت فضای مقیاس )مثال(
تصاوی رگوسی
تفاضال تگوسی
اکتاو 1
اکتاو اکتاو 2اکتاو 3اکتاو 41
اکتاو اکتاو 2اکتاو 34
![Page 9: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/9.jpg)
9
(keypointsیافتن نقاط کلیدی ) همسایه و نقاط 8 محاسبه می شود )هر نقطه با Dاکسترمم های تابع •
همسایه(26همسایه در صفحات مجاور محاسبه می شود، در مجموع سپس نقاط نامناسب حذف می شوند.•
(X,Y,σ)تا اینجا به ازای هر نقطه کلیدی، یک مختصات و یک مقیاس داریم: •
(DoGتفاضالت گوسی )
![Page 10: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/10.jpg)
10
اختصاص جهتبردار گرادیان در هر نقطه تصویر، جهت و اندازه بیشترین تغییرات را نشان •
می دهد و عمود بر لبه است.برای ثابت بودن نسبت به دوران، یک دستگاه مختصات از روی گرادیان •
.تعریف می شود
),()1,(),(),1(yxLyxLyxLyxL
yLx
L
LL
y
x
)/(tan),(
),(1
22
xy
yx
LLyx
LLyxm
![Page 11: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/11.jpg)
11
اختصاص جهت )ادامه(در یک پنجره اطراف هر نقطه کلیدی، یک هیستوگرام از گرادیان ها ساخته •
می شود.جهتی که بیشترین فراوانی را دارد به عنوان جهت غالب انتخاب می شود.•
تا اینجا برای هر نقطه کلیدی، یک مختصات، یک مقیاس و یک جهت داریم: •(X,Y,σ,O)
![Page 12: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/12.jpg)
12
استخراج ویژگی ها مولفه اختصاص داده می 128به هر نقطه کلیدی یک بردار ویژگی شامل •
شود.
زیرپنجره تقسیم می شود.4*4پنجره اطراف نقطه کلیدی به •در هر زیر پنجره یک هیستوگرام از گرادیان ها رسم می شود )هر •
مقدار است(. 8هیستوگرام شامل 128 = 4*4*8تعداد ویژگی ها: •
![Page 13: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/13.jpg)
13
SIFTخروجی
نقطه کلیدی داریمnفرض کنید ••n( بردار به شکل X,Y,σ,Oداریم )•n 128 بردار( تایی داریم f1, …, f128)
مختصات، مقیاس و جهت نقاط کلیدی
![Page 14: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/14.jpg)
14
SIFTیافتن اشیا در تصویر به کمک
ویژگی ها از تصاویر مورد جستجو )موجود در پایگاه( داده استخراج می •شوند.
ویژگی ها از تصویر صحنه هم استخراج می شوند.•ویژ̀گی های تصاویر پایگاه داده در تصویر صحنه جستجو می شوند.•به علت زیاد بودن ویژگی ها، انسداد تا حدی قابل تحمل است.•
![Page 15: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/15.jpg)
15
کاربردها: شناسایی چهره
![Page 16: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/16.jpg)
16
تصاویر چند registrationکاربردها: طیفی
تصویر مادون قرمز تصویر مرئی
![Page 17: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/17.jpg)
17
سایر کاربردهادنبال کردن حرکت•مدل سازی سه بعدی صحنه•ساخت پانوراما•بخشبندی تصویر•شناسایی مکان••Robot localization and mappingو...•
![Page 18: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/18.jpg)
18
خالصه•SIFT.یک روش توصیف تصاویر است شامل استخراج نقاط کلیدی و سپس انتساب یک بردار ویژ̀گی به هر نقطه •
کلیدی است.ویژگی های استخراج شده نسبت به تغییراتی مثل دوران و تغییر مقیاس •
پایدار است.، تغییرات نورپردازی، نویز و تغییر زاویه دید و affineنسبت به تبدیالت •
انسداد تا حدی پایدار است.در یافتن اشیا، شناسایی چهره و... کاربرد دارد.•
![Page 19: SIFT Scale Invariant Feature Transform](https://reader030.fdocument.pub/reader030/viewer/2022033011/56816108550346895dd05325/html5/thumbnails/19.jpg)