SZITÁL áll a Skála-Invariáns Tulajdonsága Át volt az első 2004-ben benyújtott, a D. Lowe, University of British Columbia. A szitálás invariancia a képskálához és a forgáshoz. Ez az algoritmus szabadalmaztatott, így ez az algoritmus szerepel az OpenCV nem szabad moduljában.
előnyei SZITÁL vagy
Településen: funkciók helyi, olyan erős, hogy elzáródás, valamint a rendetlenséget (nincs előzetes szegmentáció)
Szól: egyes funkciók is illeszkedik egy nagy adatbázis objektumok
Mennyiség: sok jellemzők állítható elő még a kis tárgyak
Hatékonyság: közel a valós idejű teljesítményhez
bővíthetőség: könnyen kiterjeszthető a különböző funkciótípusok széles skálájára, minden hozzáadáshoz robusztusság
Ez egy 7 sorozatú funkció felismerés és illesztés része. Más cikkekben szereplő
Bevezetés Funkció Érzékelés, Valamint Megfelelő
Bevezetés Harris Sarokban Érzékelő
Bevezetés a SURF (Felgyorsította-Fel Robusztus Funkciók)
Bevezetés GYORS (Funkciók a Gyorsított Szegmens Teszt)
Bevezetés RÖVID (Bináris Robusztus Független Általános Jellemzők)
Bevezetés a GÖMB (Orientált GYORSAN Forgatni RÖVID)
SZITÁL elég egy bonyolult algoritmus. A szitálási algoritmusban elsősorban négy lépés van. Egyenként fogjuk látni őket.
Scale-space peak selection: Lehetséges hely a funkciók megtalálásához.
Keypoint lokalizáció: a funkció billentyűzetének pontos elhelyezkedése.
orientáció hozzárendelés: orientáció hozzárendelése a billentyűzetekhez.
Keypoint descriptor: leírja a keypoints, mint egy nagy dimenziós vektor.
Keypoint Matching
Scale-space peak Selection
Real world objects are significant only at a certain scale. Lehet, hogy egy cukorkocka tökéletesen látható az asztalon. De ha az egész Tejutat nézzük, akkor egyszerűen nem létezik. A tárgyak többlépcsős jellege meglehetősen gyakori a természetben. A skála tér megpróbálja megismételni ezt a koncepciót digitális képeken.
A skála tér egy kép függvénye L(x,y,σ) hogy készül a konvolúció egy Gauss kernel(Elmosódott) a különböző mérleg a bemeneti kép. A méretarány-tér oktávokra oszlik, az Oktávok és a méretarány pedig az eredeti kép méretétől függ. Tehát az eredeti kép több oktávját generáljuk. Minden oktáv képmérete az előző fele.
Blurring
egy oktávon belül a képek fokozatosan elmosódnak a Gaussian Blur operátor segítségével. Matematikailag az “elmosódás”a Gauss-operátor és a kép konvolúciója. Gauss blur van egy adott kifejezés vagy” operátor”, hogy alkalmazzák az egyes pixel. Milyen eredmények a homályos kép.
g a Gaussian blur operátor, én pedig egy kép. Míg x, y a helykoordináták, σ pedig a “skála” paraméter. Gondolj rá úgy, mint az elmosódás mennyiségére. Nagyobb az érték, nagyobb az elmosódás.
KUTYA(Különbség a Gauss kernel)
Most használjuk ezeket a homályos képek generálása, a másik meg a képeket, a Különbség Gaussians (Kutya). Ezek a kutyaképek kiválóan alkalmasak arra, hogy érdekes billentyűzeteket találjanak a képen. A Gauss-féle különbséget úgy kapjuk meg, mint egy kép Gauss-elmosódásának különbségét két különböző σ-val, legyen az σ És kσ. Ez a folyamat a Gauss-piramis képének különböző oktávjaira történik. Az alábbi képen látható: