Обробка зображень до виявлення функцій


9

Я реалізував функцію детектора на основі кутів Харріса . Він працює чудово в більшості разів, але є випадки, коли він працює погано. Мені потрібно змусити його працювати на багатьох різних зображеннях, не конфігуруючи їх окремо.

Проблема полягає у пороговому значенні детектора. Якщо встановлено занадто низький рівень, детектор спрацьовує занадто багато разів, що призводить до величезної кількості функцій. Якщо встановлено занадто високо, можливостей занадто мало.

Я частково вирішив це за допомогою ANMS (Adaptive Non-Maximal Suppression), щоб зменшити кількість функцій, перш ніж призначити їм вектори дескриптора.

Однак проблема подібних зображень:

введіть тут опис зображення

У них низька контрастність, і я не можу "дозволити" поріг встановлення занадто низький для всіх зображень. Це призведе до того, що детектор буде працювати над цими зображеннями, але інші зображення міститимуть тисячі тисяч функцій, які повільно фільтруватимуться з ANMS, і це зашкодить загальній продуктивності.

Я думав про коригування зображення перед виявленням функції. Можливо, вирівнювання гістограми зробить цю роботу. Це може бути дійсною операцією, оскільки глобальна зміна контрасту не впливає на дескриптори ознак (вони інваріантні для зміни яскравості та контрасту).

Можливо, робота з адаптивним порогом або якась евристика спрацювала б краще.

Будь-які інші пропозиції?


@Seyhmus Güngören: О. Я прийняв відповіді, які я отримав до цих пір, оскільки знайшов достатньо задовільних рішень, але все ще чекаю на кращі чи більш детальні відповіді.
Libor

@Libor Це добре для ваших нових запитань, оскільки це може бути більш привабливим для вирішення ваших питань у поточному випадку.
Seyhmus Güngören

@Libor Ви розглядали відповідність гістограми, вибираючи гістограму типу гаусса, яка має середнє значення близько 128?
Seyhmus Güngören

@ SeyhmusGüngören Так, я думав про це. Я, мабуть, спробую це з кількома іншими ідеями.
Libor

@Libro Чи можете ви сказати, як ви плануєте використовувати виявлені функції? Мої єдині ідеї - це пошук зображень на основі вмісту або їх узгодження (наприклад, для оцінки гомографії), але оскільки це єдине, що я коли-небудь робив з ними, я можу помилитися :) Якщо, з іншого боку, це ви плануєте використовувати їм, я можу зробити свій внесок.
пенелопа

Відповіді:


1

Можливістю було б зробити просте виявлення ребер (наприклад, Лаплас) і використовувати середню інтенсивність результату як основу для порогу для кутів Харріса. Коли у вас низька контрастність, ви отримаєте менше ребер і з меншою інтенсивністю, при високому контрасті ви отримаєте більше ребер і з більшою інтенсивністю.

Ви не єдиний, хто бореться з цією проблемою. Якщо у вас є доступ до паперових баз даних, це може бути цікавим:

Можливо, варто пошукати більше (автоматичне) адаптивне виявлення кута Гарріса.


Це не протиріччя. Детектор має дві стадії: 1) функції виявлення, 2) описують функції. Вирівнювання гістограми повинно впливати на етапі 1 (виявлено більше можливостей), а не на етапі 2. Мені потрібно виявити помірну кількість ознак, тому їх не потрібно сильно фільтрувати.
Libor

Гаразд, я подумав про це, але це було не зовсім зрозуміло з вашого питання. Я не маю на увазі використовувати зображення краю як вхідний сигнал для детектора функцій, а як власний показник того, яким має бути значення порогу.
Geerten

Дякую, це цікава думка. Кутовий детектор Харріса використовує похідні зображення (dx, dy, dxy) для побудови кутового вимірювання в кожній точці. Оскільки це вже ґрунтується на крайових заходах, я зараз думаю про взяття гістограми функції кутового реагування та обчислення порогу цієї гістограми. Ви надихнули мене, дякую :)
Libor

Я радий, що я надихнув тебе;) Додав папір, який може бути корисним.
Geerten

2

Вам справді доводиться використовувати куточки Гарріса? Після кутів Харріса багато функцій, які мають кращі властивості. Хороший огляд можна знайти в цій статті:

Виходячи з цієї статті, а також мого особистого досвіду, я б запропонував перейти або на MSER (максимально стійкі зовнішні регіони) , або навіть поєднати їх із DoG (Різниця гауссів) - функції, вперше представлені як частина трубопроводу SIFT.

Якщо проблема справді полягає в низькій контрастності , то функції MSER дійсно повинні зробити вас щасливими: вони (досить) інваріантні змінам освітлення. Коротше кажучи, вони пов'язані областями зображення, стабільними за допомогою ряду різних порогових бінаризацій.

Процес вилучення функцій не залежить від обчислення дескрипторів, тому інтегрувати нові способи вилучення функцій у свій процес не повинно.

Крім того, я чув (але ніколи не працював з) багатомасштабні куточки Гарріса як розширення до куточків Харріса. Я мало знаю про них і особисто не можу рекомендувати жодних матеріалів для читання на цю тему, тому я залишаю пошук статей та підбір найцікавіших матеріалів для вас.


Крім того, я можу припустити, що розміщене вами зображення може мати інші проблеми, ніж низька контрастність . З мого особистого досвіду, рослинність, як кущі або, можливо, поле, яке ви маєте, а також чудові міхурові хмари, як правило, дають "загальні риси" - риси, які, як правило, мають однакові (або несхожі) дескриптори, як і багато інших ознак.

Практично це означає, що при виконанні відповідності характеристик на двох зображеннях з різної точки зору, функції, витягнуті з таких видів поверхонь, як правило, неправдиво узгоджуються. Я зробив магістерську дисертацію, що в значній частині йдеться про вилучення особливостей, яке буде використано для узгодження функцій, яке надалі використовується для обчислення перетворення гомографії між двома зображеннями, коли я стикався з цією проблемою. Наразі я не знайшов жодної статті, яка б описувала цю проблему, але моя теза може бути корисною для вашого загального підходу.

Нарешті, як ви встановили, пороги та методи, які добре працюють на більшості зображень, виділяють мало особливостей у подібних образах, через переважно однорідні області. Цей вид зображень створює проблеми у відповідності функцій (які можна поширити на зшивання зображень), пошуку зображень на основі вмісту, і я б припустив відстеження, а також подібних програм. Наразі жоден метод не працює на них.

Методи, які добре працюють на подібних образах, а також типові випадки вивчаються і досліджуються в даний час, наприклад, підхід, над яким я почав працювати, коротко описаний у цій відповіді .


Дякую за детальну відповідь, я буду розглядати документи, коли матиму вільний час. Я впроваджував детектор функцій, що стикався з двома проблемами: складність реалізації та проблеми з патентом. Моя програма - це бібліотека для вирівнювання комерційних зображень та зшивання, тому я маю обмежені ресурси та час на впровадження, і не можу дозволити собі оплату SIFT або SURF. Я, мабуть, перейду до MSER або до іншого вдосконаленого детектора / дескриптора, але поки що куточки Гарріса працюють добре за винятком зображень із поганим освітленням.
Лібор

@Libor У цьому вся краса: Вам не потрібно перемикатися. Ви можете просто додати нові функції до наявного конвеєра виявлення-> опису. Незалежно від того, як витягуються функції, ви завжди можете обчислювати їх дескриптори з однаковою тактикою. З усіх написаних нами матеріалів, можливо, перша згадка статті, яка порівнює різні варіанти виявлення / опису, може виявитись найбільш корисною.
пенелопа

Я використовував збір великих дескрипторів, а потім використовував PCA для підвищення швидкості та дискримінаційної потужності дескрипторів. PCA, однак, коштує досить дорого для великих наборів даних. Ця робота привабила мене через загальне вдосконалення дескрипторів. Поки що все, що я використовую, - це "Відхилення функціонального простору", яке просто порогове значення для відповідних функцій на основі відстані 1-nn / 2-nn. Це описав Д. Лоу у своїх роботах і має дуже гарну дискримінаційну силу, оскільки він використовує властивість оболонки відстаней у просторах з великим затемненням.
Лібор

Що стосується детекторів, то великі зміни точки зору та інваріантність масштабу не є проблемою, так як при мозаїці зображень (панорами, мікроскопи) масштабування зазвичай залишається незмінним, а аффінічні або проективні деформації досить малі між відповідними зображеннями. Основна проблема - це насправді занадто менше або занадто багато виявлених функцій та погані дескриптори.
Лібор

Я особисто мало знаю про вибір дескриптора, я працював лише з SIFT. Але посилання, яке ви надали, згадувало, що вони схожі на дескриптори DAISY, які я також пам'ятаю як дуже хороші. Комбінуючи більше витяжок, слід сподіватися, що вам нададуть більше можливостей, а інваріантність масштабу може бути лише плюсом, навіть якщо він вам не потрібен. Я прочитав деякі роботи, де згадується, що робота з декількома витяжками функцій збільшує дискримінаційні сили (я можу шукати посилання, якщо хочете).
пенелопа
Використовуючи наш веб-сайт, ви визнаєте, що прочитали та зрозуміли наші Політику щодо файлів cookie та Політику конфіденційності.
Licensed under cc by-sa 3.0 with attribution required.