slide1
Download
Skip this Video
Download Presentation
SIFT Scale Invariant Feature Transform

Loading in 2 Seconds...

play fullscreen
1 / 19

SIFT Scale Invariant Feature Transform - PowerPoint PPT Presentation


  • 178 Views
  • Uploaded on

SIFT Scale Invariant Feature Transform. مقدمه. SIFT یک ابزار توصیف تصویر است در سال 1999 و نسخه تکمیلی آن در 2004 معرفی شد. نسبت به تغییراتی مثل دوران و تغییر مقیاس پایدار است نسبت به تبدیلات affine ، تغییرات نورپردازی، نویز و تغییر زاویه دید و انسداد تا حدی پایدار است

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' SIFT Scale Invariant Feature Transform' - pepin


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1

SIFT

Scale Invariant Feature Transform

slide2
مقدمه
  • SIFT یک ابزار توصیف تصویر است
  • در سال 1999 و نسخه تکمیلی آن در 2004 معرفی شد.
  • نسبت به تغییراتی مثل دوران و تغییر مقیاس پایدار است
  • نسبت به تبدیلات affine، تغییرات نورپردازی، نویز و تغییر زاویه دید و انسداد تا حدی پایدار است
  • کاربردها: registration، شناسایی شی، شناسایی چهره، دنبال کردن شی و...
  • روش هایی مثل انطباق کلیشه احتیاج به بخشبندی دارند، اما SIFT این طور نیست
slide3
مراحل اصلی الگوریتم SFIT
  • تشخیص نقاط کلیدی تصویر
  • محاسبه اطلاعات توصیف کننده نقاط
slide4
تشخیص نقاط کلیدی تصویر
  • نقاط کلیدی به نقاطی از تصویر گفته می شود که در فضای مقیاس تصویر اکسترمم باشند.
  • فضای مقیاس تصویر شامل مجموعه ای از تصاویر است. تصاویر این مجموعه با استفاده از کانولوشن تصویر اصلی با فیلترهای گوسی با مقیاس های مختلف تولید می شوند.
slide5
ساخت فضای مقیاس
  • با convolve کردن یک تابع گوسی با تصویر، یک نمونه نرم شده از آن به دست می آید. با تغییر σ می توان میزان نرمی تصویر را تعیین کرد.
slide6
ساخت فضای مقیاس (ادامه)
  • فضای مقیاس شامل چند تصویر است که با چند بار اعمال فیلتر گوسی بدست آمده اند.
slide7
ساخت فضای مقیاس (ادامه)
  • سپس عمل resampling انجام شده و یک ”اکتاو“ جدید ساخته می شود.
  • در هر اکتاو، تفاضل گوسی ها (DoG) محاسبه می شود.

σ

Y

D(X,Y, σ)

X

slide8
ساخت فضای مقیاس (مثال)

اکتاو 1

تصاویر گوسی

اکتاو 2

اکتاو 3

اکتاو 4

اکتاو 1

تفاضلات گوسی

اکتاو 2

اکتاو 3

اکتاو 4

keypoints
یافتن نقاط کلیدی (keypoints)
  • اکسترمم های تابع D محاسبه می شود (هر نقطه با 8 همسایه و نقاط همسایه در صفحات مجاور محاسبه می شود، در مجموع 26 همسایه)
  • سپس نقاط نامناسب حذف می شوند.
  • تا اینجا به ازای هر نقطه کلیدی، یک مختصات و یک مقیاس داریم:(X,Y,σ)

تفاضلات گوسی (DoG)

slide10
اختصاص جهت
  • بردار 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.
slide11
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)
slide12
استخراج ویژگی ها
  • به هر نقطه کلیدی یک بردار ویژگی شامل 128 مولفه اختصاص داده می شود.
  • پنجره اطراف نقطه کلیدی به 4*4 زیرپنجره تقسیم می شود.
  • در هر زیر پنجره یک هیستوگرام از گرادیان ها رسم می شود (هر هیستوگرام شامل 8 مقدار است).
  • تعداد ویژگی ها: 8*4*4 = 128
slide13
خروجی SIFT
  • فرض کنید n نقطه کلیدی داریم
  • n بردار به شکل (X,Y,σ,O) داریم
  • n بردار 128 تایی داریم (f1, …, f128)

مختصات، مقیاس و جهت نقاط کلیدی

slide14
یافتن اشیا در تصویر به کمک SIFT
  • ویژگی ها از تصاویر مورد جستجو (موجود در پایگاه) داده استخراج می شوند.
  • ویژگی ها از تصویر صحنه هم استخراج می شوند.
  • ویژگی های تصاویر پایگاه داده در تصویر صحنه جستجو می شوند.
  • به علت زیاد بودن ویژگی ها، انسداد تا حدی قابل تحمل است.
registration
کاربردها: registration تصاویر چند طیفی

تصویر مرئی

تصویر مادون قرمز

slide17
سایر کاربردها
  • دنبال کردن حرکت
  • مدل سازی سه بعدی صحنه
  • ساخت پانوراما
  • بخشبندی تصویر
  • شناسایی مکان
  • Robot localization and mapping
  • و...
slide18
خلاصه
  • SIFT یک روش توصیف تصاویر است.
  • شامل استخراج نقاط کلیدی و سپس انتساب یک بردار ویژگی به هر نقطه کلیدی است.
  • ویژگی های استخراج شده نسبت به تغییراتی مثل دوران و تغییر مقیاس پایدار است.
  • نسبت به تبدیلات affine، تغییرات نورپردازی، نویز و تغییر زاویه دید و انسداد تا حدی پایدار است.
  • در یافتن اشیا، شناسایی چهره و... کاربرد دارد.
ad