SIFT
Download
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
Sift scale invariant feature transform

SIFT

Scale Invariant Feature Transform


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

  • کاربردها: registration، شناسایی شی، شناسایی چهره، دنبال کردن شی و...

  • روش هایی مثل انطباق کلیشه احتیاج به بخشبندی دارند، اما SIFT این طور نیست


Sift scale invariant feature transform
مراحل اصلی الگوریتم SFIT

  • تشخیص نقاط کلیدی تصویر

  • محاسبه اطلاعات توصیف کننده نقاط


Sift scale invariant feature transform
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.


Sift scale invariant feature transform
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.


Sift scale invariant feature transform
ساخت فضای مقیاس (ادامه)

  • فضای مقیاس شامل چند تصویر است که با چند بار اعمال فیلتر گوسی بدست آمده اند.


Sift scale invariant feature transform
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


Sift scale invariant feature transform
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)


Sift scale invariant feature transform
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.


Sift scale invariant feature transform
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)


Sift scale invariant feature transform
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


Sift scale invariant feature transform
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


Sift scale invariant feature transform
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


Sift scale invariant feature transform
سایر کاربردها

  • دنبال کردن حرکت

  • مدل سازی سه بعدی صحنه

  • ساخت پانوراما

  • بخشبندی تصویر

  • شناسایی مکان

  • Robot localization and mapping

  • و...


Sift scale invariant feature transform
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.