Segmentasyona Göre Görüntü Kaydı

Görüntü kayıt algoritmaları genellikle SIFT (Ölçek Değişmez Özellik Dönüşümü) gibi nokta özelliklerine dayanır.

Çizgi özelliklerine bazı referanslar gördüm, ancak puan yerine görüntü segmentlerini eşleştirmenin mümkün olup olmadığını merak ediyordum . Örneğin, verilen kaynak ve dönüştürülmüş resim:

resim açıklamasını buraya girin

Her birinde kenar algılama, bulanıklaştırma ve Havza Dönüşümü yapabilirim:

resim açıklamasını buraya girin

Ne yazık ki, bölümlemenin her bir görüntü üzerinde ayrı ayrı bölümlerle eşleşemeyecek kadar farklı olduğu ortaya çıktı.

Şekilleri ve şekil tanımlayıcıları birbirine benzeyen dönüşümleri ilgilendiren bazı makaleler gördüm, bu yüzden bu alan umut verici görünüyor ...

Görüntünün afinitesi (hatta projektif) deformasyonları için daha sağlam herhangi bir segmentasyon yöntemi var mı?

local-features image-segmentation image-registration

— Libor
kaynak

Sağduyu, bana daha küçük bölgelerin küresel dönüşümlere karşı daha sağlam olduğunu söylüyor. Bu nedenle, segmentasyonun çok sayıda küçük segmenti olmalıdır. Ayrıca, bazı belirli şekiller bazı dönüşümlere değişmez, (dairelerden rotasyonlara gibi)

— Andrey Rubshtein

MSER (Maksimal kararlı ekstremal bölgeler) noktalar değil bölgelerdir. Ve onlar, dönüşümü ilgilendirmek için değişmezler. Ama bu kesinlikle bir segmentasyon yöntemi değil.

— Niki Estner

@nikie Yorumunuzu cevap olarak koyarsanız kabul ediyorum. Bölgenin özellikleri görüntü dönüşümü hakkında bazı bilgiler içerdiğinden ve muhtemelen görüntüler arasındaki dönüşümü tahmin etmek için kullanılabileceğinden bölümlere ayırmaya ilgi duydum. Kesinlikle MSER hakkındaki makaleyi çalışacağım.

— Libor

Şu anda Bileşen Ağaçları kullanarak CBIR üzerinde çalışıyorum. Bir görüntünün Bileşen Ağacı temsili, görüntünün deformasyonlarına (hatta yansıtmalı) çok fazla bağlı olmaz, farklı düzeyler, farklı bir ayrıntı düzeyine kadar karşılaştırmalara ve işlemlere izin verir ve düşük dokulu görüntülerdeki mevcut tekniklerden daha iyi çalışmalıdır. . Şimdilik sadece bir araştırma konusu, yeni başladı, ama umarım yaklaşımda bir şey vardır, aksi takdirde bunu yapmam için bir hibe verilmez. Ancak, bu hatlar boyunca başka biri bir şey yaptıysa faydalı olabilir.

— penelope

@penelope CBIR üzerindeki bu çalışmalar, benzer özelliklere sahip görüntüler setimizin bulunduğu resim mozaikleme (özel ilgi alanım) için de yararlı olabilir. Mevcut popüler yaklaşım, nokta tanımlayıcıları (örn. SIFT) üzerinde yüksek boyutlu aramadır, bu da görüntüler arasında yanlış eşleşmelere yol açarken, noktalar yerine "bölgeler" veya "bileşenler" bunları ayırt edebilir. Görüntülerin Bileşen Ağacı gösterimi ile ilgili makalelere referansınız var mı? Çok teşekkürler.

— Libor

Yanıtlar:

MSER (Maksimal kararlı ekstremal bölgeler) noktalar değil bölgelerdir. Ve onlar, dönüşümü ilgilendirmek için değişmezler. Ama bu kesinlikle bir segmentasyon yöntemi değil

Gayri resmi olarak, fikir çeşitli eşiklerde lekeler bulmak, ardından bir eşik aralığında şekil / alanda en az değişikliğe sahip lekeleri seçmek. Bu bölgeler çok çeşitli gri tonlamalı ve geometrik dönüşümler için kararlı olmalıdır.

— Niki Estner
kaynak

Şu anda CBIR üzerinde , nispeten yeni bir fikir olması gereken Bileşen Ağaçlarını kullanarak çalışıyorum . Görüntüleri tanımlamak için Bileşen Ağaçları kullanmanın beklenen bazı avantajları:

Bir görüntünün Bileşen Ağacı gösterimi, görüntünün deformasyonlarına (hatta yansıtmalı) çok fazla bağlı olmaz
Ağacın farklı seviyelerini incelemek, farklı ayrıntı düzeylerine kadar karşılaştırmalara ve işlemlere izin verir
Ayrımcılık ve tanımlama, düşük dokulu görüntülerdeki mevcut tekniklerden daha iyi çalışmalıdır.

Bu konuyla ilgili araştırmalara yeni başladığımda, hedeflerim hakkında sadece belirsiz bir fikrim var: Görüntüyü Bileşen Ağacı ile temsil edin ve sonra söz konusu Bileşen Ağaçlarını doğrudan vektörize bir temsil bularak karşılaştırın. Muhtemelen birkaç hafta (veya ay) içinde çok daha fazlasını söyleyebiliyorum, ancak şimdilik sadece Bileşen Ağaçlarına giriş olarak bana önerilen kağıtların listesini sunabiliyorum (henüz okumadım):

Cevabı belki bir şey olarak güncelleyebilir ve uygun bir şey bulursam.

Hedefiniz, bir bakıma, daha doğru görüntü maç için ise Ayrıca, bölgeler yerine sadece noktalarında bölgeleri daha ayrımcı olabilir, çünkü güzel bir öneri vardı J. Sivic ve A. Zisserman: "video Google: A Metin Alma Msgstr "Videolarda Nesne Eşleştirmeye Yaklaşım" .

Özellik noktaları arasındaki bir grup eşleşmenin yalnızca özellik noktaları her iki görüntüde de benzer bir uzamsal konfigürasyona sahipse kabul edildiği Uzamsal Tutarlılıkla ilgili bölümden bahsediyorum . Bu nedenle, eşleştirme yalnızca çıkarılan özelliğin türüne (DoG, MSER, ...) veya tanımlayıcıya (SIFT) bağlı olmakla kalmaz, aynı zamanda bir özellik noktasının daha geniş çevresine de bakar (en azından biraz). bölgeye bağlı.

— penelope
kaynak