У комп'ютернім баченні та обробці зображень озна́ка (англ. feature) — це порція інформації про вміст зображення; зазвичай про те, чи має певна область зображення певні властивості. Ознаками можуть бути певні структури зображення, наприклад, точки, контури чи об'єкти. Ознаки також можуть бути результатом загальної [en] або виявля́ння озна́к (англ. feature detection), застосованих до зображення. Інші приклади ознак пов'язані з рухом у послідовностях зображень, або з формами, визначеними в термінах кривих або меж між різними областями зображення.
У ширшому сенсі ознака — це будь-яка порція інформація, що має значення для розв'язання обчислювальної задачі, пов'язаної з певним застосуванням. Вона має той самий сенс, що й ознака в машиннім навчанні та розпізнаванні образів загалом, проте обробка зображень володіє дуже мудрованим асортиментом ознак. Поняття ознаки дуже загальне, й вибір ознак у конкретній системі комп'ютерного бачення може сильно залежати від конкретної задачі.
Визначення
Універсального чи точного визначення того, що є ознакою, не існує, й точне визначення часто залежить від задачі та типу застосування. Тим не менше, ознаку зазвичай визначають як «цікаву» частину зображення, й використовують ознаки як відправну точку для багатьох алгоритмів комп'ютерного бачення.
Оскільки ознаки використовують як відправну точку й основні примітиви для наступних алгоритмів, загальний алгоритм часто буде не кращим за свій виявляч ознак. Як наслідок, бажаною властивістю виявляча ознак є повторюваність (англ. repeatability): чи буде виявлено одну й ту ж ознаку в двох або більше різних зображеннях однієї сцени.
Виявляння ознак — низькорівнева операція обробки зображень. Тобто її зазвичай виконують як першу операцію над зображенням, і перевіряють кожен піксель, щоби побачити, чи присутня ознака в цьому пікселі. Якщо це частина більшого алгоритму, то він зазвичай розглядатиме зображення вже лише в області ознак. Як вбудована передумова для виявляння ознак, вхідне зображення зазвичай згладжують гауссовим ядром у масштабопросторовому поданні, й обчислюють одне або декілька зображень ознак, часто виражених у термінах операцій локальних похідних зображення.
Іноді, коли виявляння ознак обчислювально витратне й присутні часові обмеження, можуть використовувати алгоритм вищого рівня для скеровування етапу виявляння ознак таким чином, що пошук ознак здійснюватиметься лише деякими частинами зображення.
Існує багато алгоритмів комп'ютерного бачення, які використовують виявляння ознак як початковий крок, тож як наслідок було розроблено дуже велику кількість виявлячів ознак. Вони сильно різняться за типами ознак, що вони виявляють, обчислювальною складністю, та повторюваністю.
Коли ознаки визначають у термінах локальних окільних операцій, застосовуваних до зображення, процедури, яку зазвичай називають виділя́нням озна́к (англ. feature extraction), то можливо розрізняти підходи до виявляння ознак, які виробляють локальні рішення про присутність чи відсутність ознаки заданого типу в даній точці зображення, та такі, що створюють в результаті небінарні дані. Це розрізнення стає актуальним, коли отримувані в результаті виявлені ознаки є відносно розрідженими. Незважаючи на те, що ухвалюються локальні рішення, вихід з кроку виявляння ознак не обов'язково має бути бінарним зображенням. Результат часто подають у вигляді наборів (зв'язаних чи незв'язаних) координат точок зображення, де було виявлено ознаки, іноді з субпіксельною точністю.
Коли виділяння ознак здійснюють без локального ухвалювання рішень, результат часто називають ознаковим зображенням (англ. feature image). Тож ознакове зображення можливо розглядати як зображення в тому сенсі, що воно є функцією тих же просторових (або часових) змінних, що й первинне зображення, але значення пікселя замість яскравості чи кольору містять інформацію про ознаки зображення. Це означає, що ознакове зображення можливо обробляти таким же чином, як і звичайне зображення, створене давачем зображення. Ознакові зображення також часто обчислюють як вбудований крок в алгоритмах виявляння ознак.
Вектори та простори ознак
У деяких застосуваннях для отримання доречної інформації з даних зображення недостатньо виділяти лише один тип ознак. Замість цього виділяють дві або більше різних ознак, що призводить до двох або більше описувачів ознак у кожній точці зображення. Поширеною практикою є впорядковувати інформацію, що надають усі ці описувачі, як елементи одного-єдиного вектора, який зазвичай називають ве́ктором озна́к (англ. feature vector). Множина всіх можливих векторів ознак утворює про́стір озна́к (англ. feature space).
Простий приклад векторів ознак виникає, коли кожну точку зображення треба класифікувати як належну до певного класу. Виходячи з припущення, що кожна точка зображення має відповідний вектор ознак на основі доречного набору ознак, що означає, що кожен клас добре розділено у відповідному просторі ознак, класифікування кожної точки зображення може бути здійснено за допомогою стандартного методу класифікування.
Інший і пов'язаний приклад виникає, коли до зображень застосовують обробку на основі нейронних мереж. Дані, що подають на вхід нейронної мережі, часто задають у термінах векторів ознак з кожної точки зображення, де цей вектор будується з кількох різних ознак, виділених з даних зображення. Під час фази навчання мережа може сама встановити, які поєднання різних ознак корисні для розв'язання поставленої задачі.
Типи
Контури
Контури (англ. edge) — це точки, де присутня межа (або контур) двох областей зображення. Загалом, контур може мати майже довільну форму, й може містити з'єднання. На практиці контури зазвичай визначають як множини точок на зображенні, які мають значну величину градієнта. Крім того, деякі поширені алгоритми потім з'єднують точки високого градієнта ланцюжком для формування повнішого опису контуру. Ці алгоритми зазвичай накладають деякі обмеження на властивості контуру, такі як форма, плавність та значення градієнта.
Локально контури мають одновимірну структуру.
Кути / особливі точки
Терміни «кути» (англ. corner) та «особливі точки» (англ. interest point) використовують часом як взаємозамінні, й застосовують до точкоподібних ознак у зображенні, які мають локальну двовимірну структуру. Назва «кут» виникла через те, що ранні алгоритми спершу виконували виявляння контурів, а потім аналізували контури для знаходження швидких змін у напрямку (кутів). Ці алгоритми згодом було розвинено до того, що явне виявляння контурів стало більше не потрібним, наприклад, через пошук високих рівнів кривини в [en]. Потім було відмічено, що так звані кути також виявлялися на тих частинах зображення, що не були кутами в традиційному розумінні (наприклад, може виявлятися невелика яскрава пляма на темному тлі). Ці точки часто називають особливими точками, але за традицією можуть використовувати й термін «кут»[].
Плями / області особливих точок
Плями (англ. blob) забезпечують додатковий опис структур зображення в термінах областей (англ. region), на противагу до кутів, що є точкоподібнішими. Тим не менше, плямові описувачі часто можуть містити переважну точку (локальний максимум реакції оператора, або центр мас), що означає, що багато виявлячів плям також можна розглядати як оператори особливих точок. Виявлячі плям можуть виявляти ділянки зображення, занадто згладжені для виявляння виявлячем кутів.
Розгляньмо зменшення зображення із наступним виконанням виявляння кутів. Виявляч реагуватиме на точки, що є контрастними на зменшеному зображенні, але можуть бути згладженими в первісному зображенні. Це саме той момент, коли різниця між виявлячами кутів та плям стає дещо невиразною. Значною мірою це розрізнення може бути виправлено включенням відповідного поняття масштабу. Тим не менше, завдяки властивостям реагування на різні типи структур зображення на різних масштабах, виявлячі плям ЛГ (англ. LoG) та РГ (англ. DoH) згадуються також і в статті про виявляння кутів.
Хребти
Для видовжених об'єктів природним інструментом є поняття хребтів (англ. ridge). Хребтовий описувач, обчислюваний із зображення у відтінках сірого, можливо розглядати як узагальнення серединної осі. З практичної точки зору хребет можливо розглядати як одновимірну криву, що подає вісь симетрії, й на додачу має атрибут локальної ширини хребта, пов'язаний із кожною його точкою. Проте, на жаль, виділяти хребтові ознаки із загальних класів зображень у відтінках сірого алгоритмічно складніше, ніж контурні, кутові та плямові ознаки. Тим не менше, хребтові описувачі часто використовують для виділяння доріг в аерофотознімках та кровоносних судин в медичних зображеннях — див. виявляння хребтів.
Виявляння
До виявля́ння озна́к (англ. feature detection) належать методи обчислювання абстракцій з інформації зображення та ухвалювання локальних рішень у кожній точці зображення про наявність чи відсутність ознаки зображення заданого типу в цій точці. Отримувані ознаки будуть підмножинами області визначення зображення, часто у вигляді ізольованих точок, неперервних кривих, або зв'язних областей.
Виділяння ознак іноді здійснюють на декількох масштабах. Одним із таких методів є масштабоінваріантне ознакове перетворення (англ. scale-invariant feature transform, SIFT).
Виявляч ознак | Контури | Кути | Плями | Хребти |
---|---|---|---|---|
Кенні | Так | Ні | Ні | Ні |
Собель | Так | Ні | Ні | Ні |
Гарріс і Стівенс / Плессі | Так | Так | Ні | Ні |
SUSAN | Так | Так | Ні | Ні |
Сі та Томазі | Ні | Так | Ні | Ні |
Метод кривини ізоліній | Ні | Так | Ні | Ні |
FAST | Ні | Так | Так | Ні |
Лапласіан гауссіана | Ні | Так | Так | Ні |
Різниця гауссіанів | Ні | Так | Так | Ні |
Визначник гессіана | Ні | Так | Так | Ні |
Міри вираженості гессіанових ознак | Ні | Так | Так | Ні |
МСЕО | Ні | Ні | Так | Ні |
Хребти головної кривини | Ні | Ні | Ні | Так |
Плями відтінків сірого | Ні | Ні | Так | Ні |
Виділяння
Щойно ознаки було виявлено, стає можливим виділити локальний фрагмент зображення навколо ознаки. Це виділяння може містити досить значний обсяг обробки зображення. Результат відомий як описувач ознаки, або вектор ознаки. Серед підходів, які використовують для опису ознак, можливо згадати N-струмені та локальні гістограми (див. масштабоінваріантне ознакове перетворення як один з прикладів локально-гістограмного описувача). На додачу до такої інформації про атрибути, сам по собі крок виявляння ознак також може забезпечувати додаткові атрибути, такі як напрям контурів та величину градієнту у виявлянні контурів, а також полярність і силу плям у виявлянні плям.
Низькорівневе
- Виявляння контурів
- Виявляння кутів
- Виявляння плям
- Виявляння хребтів
- Масштабоінваріантне ознакове перетворення
Кривина
- Напрям контурів, зміна інтенсивності, автокореляція.
Рух зображення
- Виявляння руху. Різницевий підхід, на основі площ. Оптичний потік.
На основі форми
- Порогування
- [en]
- [en]
- Перетворення Гафа
- Лінії
- Кола/еліпси
- Довільні фігури (узагальнене перетворення Гафа)
- Працює з будь-якими параметризовними ознаками (змінні класу, виявляння кластерів тощо)
- Узагальнене перетворення Гафа
Гнучкі методи
- Деформованій, параметризовні фігури
- Активні контури (змійки)
Подання
Конкретну ознаку зображення, визначену в термінах певної структури в даних зображення, часто може бути подано різними способами. Наприклад, контур може бути подано як булеву змінну в кожній точці зображення, яка описує, чи присутній контур у цій точці. Іншим чином, ми можемо використовувати подання, яке забезпечує міру визначеності замість булевого твердження про існування контуру, й об'єднувати її з інформацією про спрямування контуру. Аналогічно, колір певної області може бути подано як середній колір (три скаляри), або як [en] (три функції).
При розробці системи або алгоритму комп'ютерного бачення вибір подання ознак може бути критичною проблемою. У деяких випадках для розв'язання цієї проблеми може знадобитися вищий рівень деталізації опису ознаки, але це пов'язано з необхідністю мати справу з більшою кількістю даних і більш вимогливою обробкою. Нижче обговорюються деякі чинники, що мають значення для вибору відповідного подання. У цьому обговоренні примірник подання ознаки має назву описувач ознаки (англ. feature descriptor) або просто описувач (англ. descriptor).
Визначеність чи впевненість
Двома прикладами ознак зображення є локальне спрямування контуру та локальна швидкість у послідовності зображень. У разі спрямування, значення цієї ознаки може бути більш-менш невизначеним, якщо у відповідному околі присутні понад одного контуру. Локальна швидкість не визначена, якщо відповідна область зображення не містить жодної просторової мінливості. Як наслідок цього спостереження, може бути доречним використовувати подання ознаки, яке містить і міру визначеності або впевненості, пов'язаних із твердженням про значення ознаки. В іншому випадку типовою є ситуація, коли один і той самий описувач використовується для подання значень ознак з низькою визначеністю, та значень ознак, близьких до нуля, що призводить до неоднозначності в інтерпретації цього описувача. Залежно від застосування, така двозначність може бути прийнятною, чи не прийнятною.
Зокрема, якщо зображення з ознаками буде задіяно в подальшій обробці, може бути гарною ідеєю задіяти таке подання ознак, яке містить інформацію про визначеність або впевненість. Це дає змогу обчислювати новий описувач ознак з кількох описувачів, наприклад, обчислювати в одній точці зображення, але в різних масштабах, або з інших, але сусідніх точок, у термінах середньозваженого усереднення, де вагові коефіцієнти виводяться з відповідних визначеностей. У найпростішому випадку відповідне обчислення може бути втілено як низькочастотне фільтрування зображення з ознаками. Отримуване зображення ознак буде назагал стійкішим до шуму.
Усереднюваність
На додачу до входження до подання показників визначеності, подання відповідних значень ознак може бути придатним для операції усереднювання, а може й ні. Більшість подань ознак можливо усереднювати на практиці, але лише в певних випадках отриманому описувачеві можливо надати правильного тлумачення в термінах значення ознаки. Такі уявлення називають усереднюваними (англ. averageable).
Наприклад, якщо спрямування контуру подано в термінах кута, то це подання мусить мати розрив, де кут перескакує з максимального значення на мінімальне. Тож може статися, що два подібні спрямування подано кутами, середнє значення яких не лежить близько до жодного з первинних кутів, і, отже, це подання не усереднюване. Існують інші подання спрямування контурів, такі як структурний тензор, які усереднювані.
Інший приклад стосується руху, де в деяких випадках можливо виділити лише перпендикулярну до якогось контуру швидкість. Якщо було виділено дві такі ознаки, і можливо припустити, що вони стосуються однієї й тієї ж істинної швидкості, ця швидкість не задається як усереднення векторів перпендикулярних швидкостей. Отже, вектори перпендикулярних швидкостей не є усереднюваними. Натомість існують інші подання руху з використанням матриць або тензорів, які дають істинну швидкість у термінах операції усереднювання описувачів перпендикулярних швидкостей.[]
Зіставлення
Ознаки, виявлені в кожному із зображень, можливо зіставляти в кількох зображеннях, щоби встановлювати відповідні ознаки (англ. corresponding features), такі як відповідні точки (англ. corresponding points).
Цей алгоритм ґрунтується на порівнюванні та аналізі відповідностей точок між еталонним і цільовим зображеннями. Якщо будь-яка частина загромадженої сцени має відповідностей понад певний поріг, то на цю частину зображення сцени із захаращеністю націлюються, і розглядають, чи містить вона вихідний об'єкт.
Див. також
Примітки
- Scott E Umbaugh (27 січня 2005). Computer Imaging: Digital Image Analysis and Processing. CRC Press. ISBN . (англ.)
- (1986). A Computational Approach To Edge Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence. 8 (6): 679—714. doi:10.1109/TPAMI.1986.4767851. PMID 21869365. (англ.)
- C. Harris; M. Stephens (1988). (PDF). Proceedings of the 4th Alvey Vision Conference. с. 147—151. Архів оригіналу (PDF) за 1 квітня 2022. Процитовано 9 січня 2022. (англ.)
- S. M. Smith; J. M. Brady (May 1997). SUSAN - a new approach to low level image processing. International Journal of Computer Vision. 23 (1): 45—78. doi:10.1023/A:1007963824710. S2CID 15033310. (англ.)
- J. Shi; C. Tomasi (June 1994). Good Features to Track. 9th IEEE Conference on Computer Vision and Pattern Recognition. Springer. (англ.)
- T. Lindeberg (1998). Feature detection with automatic scale selection (abstract). International Journal of Computer Vision. 30 (2): 77—116. doi:10.1023/A:1008045108935. S2CID 723210. (англ.)
- E. Rosten; T. Drummond (2006). Machine learning for high-speed corner detection. European Conference on Computer Vision. Springer. с. 430—443. CiteSeerX 10.1.1.60.3991. doi:10.1007/11744023_34. (англ.)
- J. L. Crowley and A. C. Parker, "A Representation for Shape Based on Peaks and Ridges in the Difference of Low Pass Transform[недоступне посилання]", IEEE Transactions on PAMI, PAMI 6 (2), pp. 156–170, March 1984. (англ.)
- D. Lowe (2004). Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision. 60 (2): 91. CiteSeerX 10.1.1.73.2924. doi:10.1023/B:VISI.0000029664.99615.94. S2CID 221242327. (англ.)
- T. Lindeberg "Scale selection properties of generalized scale-space interest point detectors", Journal of Mathematical Imaging and Vision, Volume 46, Issue 2, pages 177-210, 2013. (англ.)
- T. Lindeberg ``Image matching using generalized scale-space interest points", Journal of Mathematical Imaging and Vision, volume 52, number 1, pages 3-36, 2015. (англ.)
- J. Matas; O. Chum; M. Urban; T. Pajdla (2002). Robust wide baseline stereo from maximally stable extremum regions (PDF). British Machine Vision Conference. с. 384—393. (англ.)
- R. Haralick, "Ridges and Valleys on Digital Images", Computer Vision, Graphics, and Image Processing vol. 22, no. 10, pp. 28–38, Apr. 1983. (англ.)
- D. Eberly, R. Gardner, B. Morse, S. Pizer, C. Scharlach, Ridges for image analysis [ 2013-01-08 у Wayback Machine.], Journal of Mathematical Imaging and Vision, v. 4 n. 4, pp. 353–373, Dec. 1994. (англ.)
- 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. S2CID 207658261. (англ.)
- 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. S2CID 11998035. (англ.)
- Object Detection in a Cluttered Scene Using Point Feature Matching - MATLAB & Simulink. www.mathworks.com. Процитовано 6 липня 2019. (англ.)
Література
Вікіпедія, Українська, Україна, книга, книги, бібліотека, стаття, читати, завантажити, безкоштовно, безкоштовно завантажити, mp3, відео, mp4, 3gp, jpg, jpeg, gif, png, малюнок, музика, пісня, фільм, книга, гра, ігри, мобільний, телефон, android, ios, apple, мобільний телефон, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, ПК, web, Інтернет
U komp yuternim bachenni ta obrobci zobrazhen ozna ka angl feature ce porciya informaciyi pro vmist zobrazhennya zazvichaj pro te chi maye pevna oblast zobrazhennya pevni vlastivosti Oznakami mozhut buti pevni strukturi zobrazhennya napriklad tochki konturi chi ob yekti Oznaki takozh mozhut buti rezultatom zagalnoyi en abo viyavlya nnya ozna k angl feature detection zastosovanih do zobrazhennya Inshi prikladi oznak pov yazani z ruhom u poslidovnostyah zobrazhen abo z formami viznachenimi v terminah krivih abo mezh mizh riznimi oblastyami zobrazhennya U shirshomu sensi oznaka ce bud yaka porciya informaciya sho maye znachennya dlya rozv yazannya obchislyuvalnoyi zadachi pov yazanoyi z pevnim zastosuvannyam Vona maye toj samij sens sho j oznaka v mashinnim navchanni ta rozpiznavanni obraziv zagalom prote obrobka zobrazhen volodiye duzhe mudrovanim asortimentom oznak Ponyattya oznaki duzhe zagalne j vibir oznak u konkretnij sistemi komp yuternogo bachennya mozhe silno zalezhati vid konkretnoyi zadachi ViznachennyaUniversalnogo chi tochnogo viznachennya togo sho ye oznakoyu ne isnuye j tochne viznachennya chasto zalezhit vid zadachi ta tipu zastosuvannya Tim ne menshe oznaku zazvichaj viznachayut yak cikavu chastinu zobrazhennya j vikoristovuyut oznaki yak vidpravnu tochku dlya bagatoh algoritmiv komp yuternogo bachennya Oskilki oznaki vikoristovuyut yak vidpravnu tochku j osnovni primitivi dlya nastupnih algoritmiv zagalnij algoritm chasto bude ne krashim za svij viyavlyach oznak Yak naslidok bazhanoyu vlastivistyu viyavlyacha oznak ye povtoryuvanist angl repeatability chi bude viyavleno odnu j tu zh oznaku v dvoh abo bilshe riznih zobrazhennyah odniyeyi sceni Viyavlyannya oznak nizkorivneva operaciya obrobki zobrazhen Tobto yiyi zazvichaj vikonuyut yak pershu operaciyu nad zobrazhennyam i pereviryayut kozhen piksel shobi pobachiti chi prisutnya oznaka v comu pikseli Yaksho ce chastina bilshogo algoritmu to vin zazvichaj rozglyadatime zobrazhennya vzhe lishe v oblasti oznak Yak vbudovana peredumova dlya viyavlyannya oznak vhidne zobrazhennya zazvichaj zgladzhuyut gaussovim yadrom u masshtaboprostorovomu podanni j obchislyuyut odne abo dekilka zobrazhen oznak chasto virazhenih u terminah operacij lokalnih pohidnih zobrazhennya Inodi koli viyavlyannya oznak obchislyuvalno vitratne j prisutni chasovi obmezhennya mozhut vikoristovuvati algoritm vishogo rivnya dlya skerovuvannya etapu viyavlyannya oznak takim chinom sho poshuk oznak zdijsnyuvatimetsya lishe deyakimi chastinami zobrazhennya Isnuye bagato algoritmiv komp yuternogo bachennya yaki vikoristovuyut viyavlyannya oznak yak pochatkovij krok tozh yak naslidok bulo rozrobleno duzhe veliku kilkist viyavlyachiv oznak Voni silno riznyatsya za tipami oznak sho voni viyavlyayut obchislyuvalnoyu skladnistyu ta povtoryuvanistyu Koli oznaki viznachayut u terminah lokalnih okilnih operacij zastosovuvanih do zobrazhennya proceduri yaku zazvichaj nazivayut vidilya nnyam ozna k angl feature extraction to mozhlivo rozriznyati pidhodi do viyavlyannya oznak yaki viroblyayut lokalni rishennya pro prisutnist chi vidsutnist oznaki zadanogo tipu v danij tochci zobrazhennya ta taki sho stvoryuyut v rezultati nebinarni dani Ce rozriznennya staye aktualnim koli otrimuvani v rezultati viyavleni oznaki ye vidnosno rozridzhenimi Nezvazhayuchi na te sho uhvalyuyutsya lokalni rishennya vihid z kroku viyavlyannya oznak ne obov yazkovo maye buti binarnim zobrazhennyam Rezultat chasto podayut u viglyadi naboriv zv yazanih chi nezv yazanih koordinat tochok zobrazhennya de bulo viyavleno oznaki inodi z subpikselnoyu tochnistyu Koli vidilyannya oznak zdijsnyuyut bez lokalnogo uhvalyuvannya rishen rezultat chasto nazivayut oznakovim zobrazhennyam angl feature image Tozh oznakove zobrazhennya mozhlivo rozglyadati yak zobrazhennya v tomu sensi sho vono ye funkciyeyu tih zhe prostorovih abo chasovih zminnih sho j pervinne zobrazhennya ale znachennya pikselya zamist yaskravosti chi koloru mistyat informaciyu pro oznaki zobrazhennya Ce oznachaye sho oznakove zobrazhennya mozhlivo obroblyati takim zhe chinom yak i zvichajne zobrazhennya stvorene davachem zobrazhennya Oznakovi zobrazhennya takozh chasto obchislyuyut yak vbudovanij krok v algoritmah viyavlyannya oznak Vektori ta prostori oznak U deyakih zastosuvannyah dlya otrimannya dorechnoyi informaciyi z danih zobrazhennya nedostatno vidilyati lishe odin tip oznak Zamist cogo vidilyayut dvi abo bilshe riznih oznak sho prizvodit do dvoh abo bilshe opisuvachiv oznak u kozhnij tochci zobrazhennya Poshirenoyu praktikoyu ye vporyadkovuvati informaciyu sho nadayut usi ci opisuvachi yak elementi odnogo yedinogo vektora yakij zazvichaj nazivayut ve ktorom ozna k angl feature vector Mnozhina vsih mozhlivih vektoriv oznak utvoryuye pro stir ozna k angl feature space Prostij priklad vektoriv oznak vinikaye koli kozhnu tochku zobrazhennya treba klasifikuvati yak nalezhnu do pevnogo klasu Vihodyachi z pripushennya sho kozhna tochka zobrazhennya maye vidpovidnij vektor oznak na osnovi dorechnogo naboru oznak sho oznachaye sho kozhen klas dobre rozdileno u vidpovidnomu prostori oznak klasifikuvannya kozhnoyi tochki zobrazhennya mozhe buti zdijsneno za dopomogoyu standartnogo metodu klasifikuvannya Inshij i pov yazanij priklad vinikaye koli do zobrazhen zastosovuyut obrobku na osnovi nejronnih merezh Dani sho podayut na vhid nejronnoyi merezhi chasto zadayut u terminah vektoriv oznak z kozhnoyi tochki zobrazhennya de cej vektor buduyetsya z kilkoh riznih oznak vidilenih z danih zobrazhennya Pid chas fazi navchannya merezha mozhe sama vstanoviti yaki poyednannya riznih oznak korisni dlya rozv yazannya postavlenoyi zadachi TipiKonturi Konturi angl edge ce tochki de prisutnya mezha abo kontur dvoh oblastej zobrazhennya Zagalom kontur mozhe mati majzhe dovilnu formu j mozhe mistiti z yednannya Na praktici konturi zazvichaj viznachayut yak mnozhini tochok na zobrazhenni yaki mayut znachnu velichinu gradiyenta Krim togo deyaki poshireni algoritmi potim z yednuyut tochki visokogo gradiyenta lancyuzhkom dlya formuvannya povnishogo opisu konturu Ci algoritmi zazvichaj nakladayut deyaki obmezhennya na vlastivosti konturu taki yak forma plavnist ta znachennya gradiyenta Lokalno konturi mayut odnovimirnu strukturu Kuti osoblivi tochki Termini kuti angl corner ta osoblivi tochki angl interest point vikoristovuyut chasom yak vzayemozaminni j zastosovuyut do tochkopodibnih oznak u zobrazhenni yaki mayut lokalnu dvovimirnu strukturu Nazva kut vinikla cherez te sho ranni algoritmi spershu vikonuvali viyavlyannya konturiv a potim analizuvali konturi dlya znahodzhennya shvidkih zmin u napryamku kutiv Ci algoritmi zgodom bulo rozvineno do togo sho yavne viyavlyannya konturiv stalo bilshe ne potribnim napriklad cherez poshuk visokih rivniv krivini v en Potim bulo vidmicheno sho tak zvani kuti takozh viyavlyalisya na tih chastinah zobrazhennya sho ne buli kutami v tradicijnomu rozuminni napriklad mozhe viyavlyatisya nevelika yaskrava plyama na temnomu tli Ci tochki chasto nazivayut osoblivimi tochkami ale za tradiciyeyu mozhut vikoristovuvati j termin kut dzherelo Plyami oblasti osoblivih tochok Plyami angl blob zabezpechuyut dodatkovij opis struktur zobrazhennya v terminah oblastej angl region na protivagu do kutiv sho ye tochkopodibnishimi Tim ne menshe plyamovi opisuvachi chasto mozhut mistiti perevazhnu tochku lokalnij maksimum reakciyi operatora abo centr mas sho oznachaye sho bagato viyavlyachiv plyam takozh mozhna rozglyadati yak operatori osoblivih tochok Viyavlyachi plyam mozhut viyavlyati dilyanki zobrazhennya zanadto zgladzheni dlya viyavlyannya viyavlyachem kutiv Rozglyanmo zmenshennya zobrazhennya iz nastupnim vikonannyam viyavlyannya kutiv Viyavlyach reaguvatime na tochki sho ye kontrastnimi na zmenshenomu zobrazhenni ale mozhut buti zgladzhenimi v pervisnomu zobrazhenni Ce same toj moment koli riznicya mizh viyavlyachami kutiv ta plyam staye desho neviraznoyu Znachnoyu miroyu ce rozriznennya mozhe buti vipravleno vklyuchennyam vidpovidnogo ponyattya masshtabu Tim ne menshe zavdyaki vlastivostyam reaguvannya na rizni tipi struktur zobrazhennya na riznih masshtabah viyavlyachi plyam LG angl LoG ta RG angl DoH zgaduyutsya takozh i v statti pro viyavlyannya kutiv Hrebti Dlya vidovzhenih ob yektiv prirodnim instrumentom ye ponyattya hrebtiv angl ridge Hrebtovij opisuvach obchislyuvanij iz zobrazhennya u vidtinkah sirogo mozhlivo rozglyadati yak uzagalnennya seredinnoyi osi Z praktichnoyi tochki zoru hrebet mozhlivo rozglyadati yak odnovimirnu krivu sho podaye vis simetriyi j na dodachu maye atribut lokalnoyi shirini hrebta pov yazanij iz kozhnoyu jogo tochkoyu Prote na zhal vidilyati hrebtovi oznaki iz zagalnih klasiv zobrazhen u vidtinkah sirogo algoritmichno skladnishe nizh konturni kutovi ta plyamovi oznaki Tim ne menshe hrebtovi opisuvachi chasto vikoristovuyut dlya vidilyannya dorig v aerofotoznimkah ta krovonosnih sudin v medichnih zobrazhennyah div viyavlyannya hrebtiv ViyavlyannyaDo viyavlya nnya ozna k angl feature detection nalezhat metodi obchislyuvannya abstrakcij z informaciyi zobrazhennya ta uhvalyuvannya lokalnih rishen u kozhnij tochci zobrazhennya pro nayavnist chi vidsutnist oznaki zobrazhennya zadanogo tipu v cij tochci Otrimuvani oznaki budut pidmnozhinami oblasti viznachennya zobrazhennya chasto u viglyadi izolovanih tochok neperervnih krivih abo zv yaznih oblastej Vidilyannya oznak inodi zdijsnyuyut na dekilkoh masshtabah Odnim iz takih metodiv ye masshtaboinvariantne oznakove peretvorennya angl scale invariant feature transform SIFT Poshireni viyavlyachi oznak ta yihnya klasifikaciya Viyavlyach oznak Konturi Kuti Plyami Hrebti Kenni Tak Ni Ni Ni Sobel Tak Ni Ni Ni Garris i Stivens Plessi Tak Tak Ni Ni SUSAN Tak Tak Ni Ni Si ta Tomazi Ni Tak Ni Ni Metod krivini izolinij Ni Tak Ni Ni FAST Ni Tak Tak Ni Laplasian gaussiana Ni Tak Tak Ni Riznicya gaussianiv Ni Tak Tak Ni Viznachnik gessiana Ni Tak Tak Ni Miri virazhenosti gessianovih oznak Ni Tak Tak Ni MSEO Ni Ni Tak Ni Hrebti golovnoyi krivini Ni Ni Ni Tak Plyami vidtinkiv sirogo Ni Ni Tak NiVidilyannyaDlya shirshogo visvitlennya ciyeyi temi div Vidilyannya oznak mashinne navchannya Shojno oznaki bulo viyavleno staye mozhlivim vidiliti lokalnij fragment zobrazhennya navkolo oznaki Ce vidilyannya mozhe mistiti dosit znachnij obsyag obrobki zobrazhennya Rezultat vidomij yak opisuvach oznaki abo vektor oznaki Sered pidhodiv yaki vikoristovuyut dlya opisu oznak mozhlivo zgadati N strumeni ta lokalni gistogrami div masshtaboinvariantne oznakove peretvorennya yak odin z prikladiv lokalno gistogramnogo opisuvacha Na dodachu do takoyi informaciyi pro atributi sam po sobi krok viyavlyannya oznak takozh mozhe zabezpechuvati dodatkovi atributi taki yak napryam konturiv ta velichinu gradiyentu u viyavlyanni konturiv a takozh polyarnist i silu plyam u viyavlyanni plyam Nizkorivneve Viyavlyannya konturiv Viyavlyannya kutiv Viyavlyannya plyam Viyavlyannya hrebtiv Masshtaboinvariantne oznakove peretvorennya Krivina Napryam konturiv zmina intensivnosti avtokorelyaciya Ruh zobrazhennya Viyavlyannya ruhu Riznicevij pidhid na osnovi plosh Optichnij potik Na osnovi formi Poroguvannya en en Peretvorennya Gafa Liniyi Kola elipsi Dovilni figuri uzagalnene peretvorennya Gafa Pracyuye z bud yakimi parametrizovnimi oznakami zminni klasu viyavlyannya klasteriv tosho Uzagalnene peretvorennya Gafa Gnuchki metodi Deformovanij parametrizovni figuri Aktivni konturi zmijki PodannyaDokladnishe en Konkretnu oznaku zobrazhennya viznachenu v terminah pevnoyi strukturi v danih zobrazhennya chasto mozhe buti podano riznimi sposobami Napriklad kontur mozhe buti podano yak bulevu zminnu v kozhnij tochci zobrazhennya yaka opisuye chi prisutnij kontur u cij tochci Inshim chinom mi mozhemo vikoristovuvati podannya yake zabezpechuye miru viznachenosti zamist bulevogo tverdzhennya pro isnuvannya konturu j ob yednuvati yiyi z informaciyeyu pro spryamuvannya konturu Analogichno kolir pevnoyi oblasti mozhe buti podano yak serednij kolir tri skalyari abo yak en tri funkciyi Pri rozrobci sistemi abo algoritmu komp yuternogo bachennya vibir podannya oznak mozhe buti kritichnoyu problemoyu U deyakih vipadkah dlya rozv yazannya ciyeyi problemi mozhe znadobitisya vishij riven detalizaciyi opisu oznaki ale ce pov yazano z neobhidnistyu mati spravu z bilshoyu kilkistyu danih i bilsh vimoglivoyu obrobkoyu Nizhche obgovoryuyutsya deyaki chinniki sho mayut znachennya dlya viboru vidpovidnogo podannya U comu obgovorenni primirnik podannya oznaki maye nazvu opisuvach oznaki angl feature descriptor abo prosto opisuvach angl descriptor Viznachenist chi vpevnenist Dvoma prikladami oznak zobrazhennya ye lokalne spryamuvannya konturu ta lokalna shvidkist u poslidovnosti zobrazhen U razi spryamuvannya znachennya ciyeyi oznaki mozhe buti bilsh mensh neviznachenim yaksho u vidpovidnomu okoli prisutni ponad odnogo konturu Lokalna shvidkist ne viznachena yaksho vidpovidna oblast zobrazhennya ne mistit zhodnoyi prostorovoyi minlivosti Yak naslidok cogo sposterezhennya mozhe buti dorechnim vikoristovuvati podannya oznaki yake mistit i miru viznachenosti abo vpevnenosti pov yazanih iz tverdzhennyam pro znachennya oznaki V inshomu vipadku tipovoyu ye situaciya koli odin i toj samij opisuvach vikoristovuyetsya dlya podannya znachen oznak z nizkoyu viznachenistyu ta znachen oznak blizkih do nulya sho prizvodit do neodnoznachnosti v interpretaciyi cogo opisuvacha Zalezhno vid zastosuvannya taka dvoznachnist mozhe buti prijnyatnoyu chi ne prijnyatnoyu Zokrema yaksho zobrazhennya z oznakami bude zadiyano v podalshij obrobci mozhe buti garnoyu ideyeyu zadiyati take podannya oznak yake mistit informaciyu pro viznachenist abo vpevnenist Ce daye zmogu obchislyuvati novij opisuvach oznak z kilkoh opisuvachiv napriklad obchislyuvati v odnij tochci zobrazhennya ale v riznih masshtabah abo z inshih ale susidnih tochok u terminah serednozvazhenogo userednennya de vagovi koeficiyenti vivodyatsya z vidpovidnih viznachenostej U najprostishomu vipadku vidpovidne obchislennya mozhe buti vtileno yak nizkochastotne filtruvannya zobrazhennya z oznakami Otrimuvane zobrazhennya oznak bude nazagal stijkishim do shumu Userednyuvanist Na dodachu do vhodzhennya do podannya pokaznikiv viznachenosti podannya vidpovidnih znachen oznak mozhe buti pridatnim dlya operaciyi userednyuvannya a mozhe j ni Bilshist podan oznak mozhlivo userednyuvati na praktici ale lishe v pevnih vipadkah otrimanomu opisuvachevi mozhlivo nadati pravilnogo tlumachennya v terminah znachennya oznaki Taki uyavlennya nazivayut userednyuvanimi angl averageable Napriklad yaksho spryamuvannya konturu podano v terminah kuta to ce podannya musit mati rozriv de kut pereskakuye z maksimalnogo znachennya na minimalne Tozh mozhe statisya sho dva podibni spryamuvannya podano kutami serednye znachennya yakih ne lezhit blizko do zhodnogo z pervinnih kutiv i otzhe ce podannya ne userednyuvane Isnuyut inshi podannya spryamuvannya konturiv taki yak strukturnij tenzor yaki userednyuvani Inshij priklad stosuyetsya ruhu de v deyakih vipadkah mozhlivo vidiliti lishe perpendikulyarnu do yakogos konturu shvidkist Yaksho bulo vidileno dvi taki oznaki i mozhlivo pripustiti sho voni stosuyutsya odniyeyi j tiyeyi zh istinnoyi shvidkosti cya shvidkist ne zadayetsya yak userednennya vektoriv perpendikulyarnih shvidkostej Otzhe vektori perpendikulyarnih shvidkostej ne ye userednyuvanimi Natomist isnuyut inshi podannya ruhu z vikoristannyam matric abo tenzoriv yaki dayut istinnu shvidkist u terminah operaciyi userednyuvannya opisuvachiv perpendikulyarnih shvidkostej dzherelo ZistavlennyaDokladnishe en Oznaki viyavleni v kozhnomu iz zobrazhen mozhlivo zistavlyati v kilkoh zobrazhennyah shobi vstanovlyuvati vidpovidni oznaki angl corresponding features taki yak vidpovidni tochki angl corresponding points Cej algoritm gruntuyetsya na porivnyuvanni ta analizi vidpovidnostej tochok mizh etalonnim i cilovim zobrazhennyami Yaksho bud yaka chastina zagromadzhenoyi sceni maye vidpovidnostej ponad pevnij porig to na cyu chastinu zobrazhennya sceni iz zaharashenistyu nacilyuyutsya i rozglyadayut chi mistit vona vihidnij ob yekt Div takozhKomp yuterne bachennya en Navchannya oznak Obirannya oznak en Vektorizaciya obrobka zobrazhen PrimitkiScott E Umbaugh 27 sichnya 2005 Computer Imaging Digital Image Analysis and Processing CRC Press ISBN 978 0 8493 2919 7 angl 1986 A Computational Approach To Edge Detection IEEE Transactions on Pattern Analysis and Machine Intelligence 8 6 679 714 doi 10 1109 TPAMI 1986 4767851 PMID 21869365 angl C Harris M Stephens 1988 PDF Proceedings of the 4th Alvey Vision Conference s 147 151 Arhiv originalu PDF za 1 kvitnya 2022 Procitovano 9 sichnya 2022 angl S M Smith J M Brady May 1997 SUSAN a new approach to low level image processing International Journal of Computer Vision 23 1 45 78 doi 10 1023 A 1007963824710 S2CID 15033310 angl J Shi C Tomasi June 1994 Good Features to Track 9th IEEE Conference on Computer Vision and Pattern Recognition Springer angl T Lindeberg 1998 Feature detection with automatic scale selection abstract International Journal of Computer Vision 30 2 77 116 doi 10 1023 A 1008045108935 S2CID 723210 angl E Rosten T Drummond 2006 Machine learning for high speed corner detection European Conference on Computer Vision Springer s 430 443 CiteSeerX 10 1 1 60 3991 doi 10 1007 11744023 34 angl J L Crowley and A C Parker A Representation for Shape Based on Peaks and Ridges in the Difference of Low Pass Transform nedostupne posilannya IEEE Transactions on PAMI PAMI 6 2 pp 156 170 March 1984 angl D Lowe 2004 Distinctive Image Features from Scale Invariant Keypoints International Journal of Computer Vision 60 2 91 CiteSeerX 10 1 1 73 2924 doi 10 1023 B VISI 0000029664 99615 94 S2CID 221242327 angl T Lindeberg Scale selection properties of generalized scale space interest point detectors Journal of Mathematical Imaging and Vision Volume 46 Issue 2 pages 177 210 2013 angl T Lindeberg Image matching using generalized scale space interest points Journal of Mathematical Imaging and Vision volume 52 number 1 pages 3 36 2015 angl J Matas O Chum M Urban T Pajdla 2002 Robust wide baseline stereo from maximally stable extremum regions PDF British Machine Vision Conference s 384 393 angl R Haralick Ridges and Valleys on Digital Images Computer Vision Graphics and Image Processing vol 22 no 10 pp 28 38 Apr 1983 angl D Eberly R Gardner B Morse S Pizer C Scharlach Ridges for image analysis 2013 01 08 u Wayback Machine Journal of Mathematical Imaging and Vision v 4 n 4 pp 353 373 Dec 1994 angl 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 S2CID 207658261 angl 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 S2CID 11998035 angl Object Detection in a Cluttered Scene Using Point Feature Matching MATLAB amp Simulink www mathworks com Procitovano 6 lipnya 2019 angl LiteraturaT Lindeberg 2009 Scale space U Benjamin Wah red Encyclopedia of Computer Science and Engineering T IV John Wiley and Sons s 2495 2504 doi 10 1002 9780470050118 ecse609 ISBN 978 0470050118 angl zvedennya ta oglyad nizki viyavlyachiv oznak sformulovanih na osnovi masshtaboprostorovih operacij