Baixe o app para aproveitar ainda mais
Prévia do material em texto
Processamento de Imagens COS756 / COC603 aula 08 - deteção de caracteŕısticas de baixo-ńıvel (low-level feature detection) parte II Antonio Oliveira Ricardo Marroquim 1 / 1 aula de hoje feature detection overview Laplaciano da Gaussiana pontos de interesse método de Harris curvatura 2 / 1 LoG Laplaciano derivada de segunda ordem (progressiva e regressiva) f (x0 +∆x) = f (x0)+f ′ (x0)∆x+ f ′′ (x0) 2! ∆x2 + f ′′′ (x0) 3! ∆x3 +O(∆x4) f (x0−∆x) = f (x0)−f ′ (x0)∆x+ f ′′ (x0) 2! ∆x2− f ′′′ (x0) 3! ∆x3 +O(∆x4) somando temos a diferança central (e fazendo ∆x = 1): f ′′ (x0) = f (x0 + ∆x) + f (x0 − ∆x) − 2f (x0) 3 / 1 Laplaciano operador isotrópico arestas se encontram nos “zero-crossings” 0 1 0 1 -4 1 0 1 0 1 1 1 1 -8 1 1 1 1 4 / 1 Laplaciano Laplaciano da Gaussiana (LoG) segunda derivada do filtro Gaussiano O2(g(x , y) ⊗ I ) = (O2g(x , y)) ⊗ I ∂2g(x , y , σ) ∂x2 + ∂2g(x , y , σ) ∂y2 = ∂Og(x , y , σ) ∂x2 + ∂Og(x , y , σ) ∂y2 ∂Og(x , y , σ) = ( x2 + y2 σ2 − 2 ) 1 σ2 e− x2+y2 2σ2 5 / 1 pontos keypoint features problemas a serem resolvidos: quais pontos são bons? como representar esta informação? como procurar a correspondência em outra imagem? 6 / 1 panorâmica 7 / 1 panorâmica 8 / 1 panorâmica 9 / 1 pontos objetivo encontrar o pixel correspondente em duas imagens dificilmente terá exatamente mesmos valores RGB ex. diferença de iluminação entre as fotos mesmo assim, estaria sujeito a erros (dois pixels iguais em uma mesma imagem) 10 / 1 pontos cantos variação de intensidade em qualquer direção arestas: problema de abertura regiões homogêneas: dif́ıcil fazer o matching 11 / 1 panorâmica 12 / 1 pontos solução simples summed square difference: SSD(x , y) = ∑ i [I1(x + ∆x , y + ∆y) − I0(x , y)]2 onde (∆x ,∆y) é um deslocamento e i são os pixels dentro de uma janela de busca podemos também usar uma média ponderada SSD() = ∑ i w(xi )[I1(x + ∆x , y + ∆y) − I0(x , y)]2] problema onde procurar na imagem I1? se a janela de busca for grande, o custo será alto 13 / 1 pontos solução simples summed square difference: SSD(x , y) = ∑ i [I1(x + ∆x , y + ∆y) − I0(x , y)]2 onde (∆x ,∆y) é um deslocamento e i são os pixels dentro de uma janela de busca podemos também usar uma média ponderada SSD() = ∑ i w(xi )[I1(x + ∆x , y + ∆y) − I0(x , y)]2] problema onde procurar na imagem I1? se a janela de busca for grande, o custo será alto 13 / 1 pontos Harris detector mas quais são bons pontos a serem utilizados? auto-correlação AC (x , y) = ∑ w(x , y)[I (x , y) − I (x + ∆x , y + ∆y)]2 intuitivamente, quão diferente o pixel é dos seus vizinhos 14 / 1 pontos 15 / 1 pontos Harris detector utilizando a aproximação quadrática pela série de Taylor I (x + ∆x , y + ∆y) = I (x , y) + ∆xIx(x , y) + ∆yIy (x , y) substituindo na equação anterior e passando para forma matricial temos: AC ≈ [ ∆x ∆y ]∑ i wi [ Ix(xi , yi ) 2 Ix(xi , yi )Iy (xi , yi ) Ix(xi , yi )Iy (xi , yi ) Iy (xi , yi ) 2 ] [ ∆x ∆y ] 16 / 1 pontos cônica matriz representa uma seção cônica na sua forma central Ax2 + Bxy + Cy2 + Dx + Ey + F = 0 M = [ A B/2 B/2 C ] 17 / 1 pontos cônica análise do determinante detM < 0 → hipérbola detM = 0 → parábola detM > 0 → elipse nossa matriz simétrica positiva definida detM > 0 → elipse autovalores positivos : λ0, λ1 > 0 18 / 1 pontos cônica análise do determinante detM < 0 → hipérbola detM = 0 → parábola detM > 0 → elipse nossa matriz simétrica positiva definida detM > 0 → elipse autovalores positivos : λ0, λ1 > 0 18 / 1 pontos Harris detector análise dos autovetores e autovalores (variação) o que podemos concluir a partir dos autovalores? 19 / 1 pontos Harris detector o que podemos concluir a partir dos autovalores? dois autovalores pequenos pouca variação, área de intensidade mais ou menos constante um autovalor grande e um pequeno aresta dois autovalores grandes ponto, quina 20 / 1 pontos Harris detector o que podemos concluir a partir dos autovalores? dois autovalores pequenos pouca variação, área de intensidade mais ou menos constante um autovalor grande e um pequeno aresta dois autovalores grandes ponto, quina 20 / 1 pontos Harris detector o que podemos concluir a partir dos autovalores? dois autovalores pequenos pouca variação, área de intensidade mais ou menos constante um autovalor grande e um pequeno aresta dois autovalores grandes ponto, quina 20 / 1 pontos Harris detector o que podemos concluir a partir dos autovalores? dois autovalores pequenos pouca variação, área de intensidade mais ou menos constante um autovalor grande e um pequeno aresta dois autovalores grandes ponto, quina 20 / 1 pontos Harris detector Harris (1988) usou a medida: det(M) − αtrace(M)2 = λ0λ1 − α(λ0 + λ1)2 com α = 0.06 Triggs (2004) usou a medida (onde λ0 < λ1): λ0 − αλ1 com α = 0.05 21 / 1 pontos algoritmo 1. calcular Ix e Iy : gradiente na direção x e y pode usar por exemplo: convolução da derivada de uma Gaussiana 2. calcular os produtos I 2x = Ix Ix , I 2 y = Iy Iy e Ixy = Ix Iy 3. convoluir as três imagens com uma Gaussiana 4. para cada pixel: encontrar os autovalores e utilizar uma das medidas 5. limiarizar para encontrar máximos 6. limitar número de máximos por região 22 / 1 pontos 23 / 1 pontos 24 / 1
Compartilhar