مقاله یا اسلاید فارسی در مورد sift - هفت خط کد انجمن پرسش و پاسخ برنامه نویسی

وبـــلاگ هــفت خــط کــد


آموزش های برنامه نویسی
۳۱ نفر آنلاین
۰ عضو و ۳۱ مهمان در سایت حاضرند

مقاله یا اسلاید فارسی در مورد sift

+2 امتیاز
299 بازدید
مقاله یا اسلاید فارسی یا انگلیسی در مورد  الگوریتم sift  اگه دارین کمک کنین.

ممنون.
سوال شده فروردین 25, 1393  بوسیله ی porsan (امتیاز 91)   1 2 13

2 پاسخ

+5 امتیاز
 
بهترین پاسخ
همانطوری که میدانید شناسایی کرنر نسبت به چرخش ثابت هستش یعنی اینکه اگر تصویر شما دوران داشته باشه شما باز هم می تونید همان کرنر هایی که مربوط به تصویر اصلی هستند را مجدداً در تصویر دوران داده شده داشته باشید.ولی اگر تصویر scale آن تغییر داده شود دیگر کرنر ها قابل شناسایی نیست .با تصویر که در زیر قرار داده شده ملاحضه می کنید تصویری که در scale کوچک کرنر دیده می شود در scale بزرگتر در آن کرنری دیده نمی شود .به شکل زیر توجه کنید.
استخراج ویژگی, sift, پردازش تصویر, آموزش

Huangو همکاران روش جدیدی با استفاده از الگوریتمSIFT(تبدیل ویژگی مستقل از مقیاس) ارائه کردند. در این روش ابتدا توصیفگرهایSIFTاز تصویر استخراج می‌گردند. نقطه‌ی کلیدی این الگوریتم، توصیفگرهایSIFTمی‌باشدکه در مقابل تغییرات در مقیاس، چرخش و روشنایی ثابت می‌باشند. بنابراین می‌توان از تطبیق این توصیفگرها جهت شناسایی نواحی تکرار شده استفاده کرد. الگوریتمSIFT ویژگی‌های قابل تمایزتکه های محلی تصویرکه در برابر تغییرمقیاس و چرخش ثابت هستند را استخراج می‌کند. این ویژگی‌ها در برابر تغییراتی نظیرنویز، اعوجاج و روشنایی نیزقدرتمند عمل کرده و نتایج یکسانی ارائه می‌دهند روش ارائه شده شامل 4 مرحله است:

1)     تشخیص و شناسایی اکسترمم‌های فضای مقیاس (scale-space)

2)     تعیین موقعیت نقاط کلیدی

3)     تعیین جهت

4)     توصیفگرهای نقاط کلیدی

جهت کارآمدتر کردن فرآیند تشخیص نقاط بالقوه ایکه در مقابل تغییرمقیاس و جهت ثابت هستند و به آنها نقاط کلیدی اطلاق می‌شود، این روش از اکسترمم‌های فضای مقیاس در تابع تفاضل گوسی(DOG) که با تصوير كانولو شده است، به عبارت دیگر، استفاده می‌کند، که می‌تواند از تفاضل دو مقیاس نزدیک به هم که با ضریب افزاینده‌ی kمجزا شده‌اند محاسبه گردد: 

کهI،تصویر ورودی و تابع گوسین به صورت می‌باشد، نیزضریب فضای مقیاس می‌باشد. تصاویرکانولو شده در یک اکتاو گروه بندی می‌شوند بطوریکه هر اکتاو متناظر با دو برابر کردن kمی‌باشد. سپس مقدار  kطوری انتخاب می‌شودکه تعداد معینی از تصاویر تار شده به ازای هر اکتاو بدست آید. این مسئله تضمین می‌کند که تعداد مشابهی از تصاویرDOGدر هر اکتاوتولید گردد. زمانیکه تصاویرDOGبدست آمدند، نقاط کلیدی به صورت مینیمم یا ماکسیمم های محلی در بین مقیاس‌های مختلف تصاویرDOG، شناسایی می‌شوند. اینکاربوسیله‌ی مقایسه‌ی هر پیکسل در تصاویرDOGبا 8 همسایه آن در همان مقیاس و 9 همسایه متناظر در مقیاس‌های مجاور (جمعاً 26 همسایه، 18 پیکسل در مقیاس‌های بعدی و قبلی و 8 پیکسل در همان مقیاس) انجام می‌شود. اگر مقدار پیکسل در بین تمام پیکسل‌های مورد مقایسه، بیشترین و یاکمترین مقدار را داشته باشد، به عنوان نقطه‌ی کلیدی در نظر گرفته می‌شود. تشخیص اکسترمم‌ها در فضای مقیاس تعداد زیادی نقطه کلیدی کاندید تولید می‌کند که بعضی از آنها ناپایدارهستند. پس از آن از یک فیلترینگ جهت برجای گذاشتن نقاط پایدار استفاده می‌شود. 

برای ایجاد تصویر مستقل از جهت، جهت نقطه کلیدی از یک هیستوگرام جهت که از گرادیان های محلی از تصویرتار شده‌ی  بدست آمده، محاسبه می‌گردد. برای هرنقطه کلیدی تصویر در مقیاس ، بزرگی گرادیان  و جهت  از طریق تفاضل‌های پیکسلی محاسبه می‌شود،بطوریکه  و  می‌باشند و L1 وL2 نیزبه صورت زیرتعریف می‌شوند: 

و نیز تصویر فضای مقیاس (I(x,y می‌باشد.

پاسخ داده شده فروردین 25, 1393 بوسیله ی مصطفی ساتکی (امتیاز 16,267)   16 24 65
+3 امتیاز
اين توصیفگر براساس اندازه و جهت گراديانها در محدوده نقاط استخراج شده عمل مي کند. براي ساخت اين توصیفگرابتدا مقادير گراديان و جهت تصوير در اطراف نقطه کليدي نمونه برداري شده سپس هيستوگرامي از اندازه گراديانها برمبناي جهت گراديان ها ساخته مي شود. براي ثابت بودن توصیفگر نسبت به دوران، مختصات توصیفگر و جهت هاي
گراديان نسبت به جهت غالب گراديانهاي اطراف نقطه کليدي چرخانده مي شوند.
سپس هيستوگرام ها را در نواحي مختلف اطراف نقطه کليدي، به طور مجزا محاسبه مي کنند. تقسيم بندي محدوده نقاط کليدي به ناحيه هاي مختلف باعث مي شود که توصیفگر نسبت به تغيير مکانهاي کوچک نقطه کليدي پايدارتر شود. براي اينکه تغييرات در توصیفگر به صورت هموار بوده و تغييرات ناگهاني نداشته باشد، از تابع وزن دهي گوسی براي
نسبت دادن وزن به مقادير گراديان هر نقطه استفاده مي شود. با اين کار اول از تغييرات ناگهاني در توصیفگر به خاطر تغيير کوچک در مکان پنجره جلوگيري شده و دوم تاکيد کمتري روي گراديانهايي که از مرکز توصیفگر فاصله بيشتر دارند مي شود. يک مدل  توصیفگر در سمت راست شکل زیر نشان داده شده است. اين توصیفگر، تغيير مکان بزرگ
در مکان گراديانها را بوسيله ايجاد هيستوگرامِ جهت، روي ناحيه هاي مجزاي 4*4 نمونه به حساب مي آورد. درشکل زیر، 8 جهت براي هر هيستوگرام در نظر گرفته شده است که طول هر پيکان، متناظر با اندازه آن ورودي هيستوگرام مي باشد. گراديان نمونه در چپ مي تواند تا 4 مکان نمونه شيفت پيدا کند درحاليکه منجر به يک هيستوگرام مشابه در راست شود.در نتيجه به اين هدف که اجازه تغييرات مکاني بزرگتر را بدهد مي رسيم.
استخراج ویژگی, sift, پردازش تصویر, آموزش
براي تعديل جابه جايي هاي کوچک در نزديکي مرزها، مقدار گراديان هر نمونه به داخل بلوک هاي هيستوگرام همسايه، به نسبت فاصله آن، توزيع مي گردد. در نهايت بردار ويژگي براي کاهش تاثير تغيير روشنايي دستکاري مي شود. ابتدا بردار به واحد طول نرماليزه شده، سپس يک آستانه گذاري روي مقادير گراديان انجام مي شود تا مقادير بزرگ گراديان منجر به تاکيد بيشتر نشده و به نوعي روي توزيع جهت ها در بلوک يها تاکيد بيشتري کنيم.
تغيير درخشندگي  به صورتي که يک ثابت به هر پيکسل اضافه شود در مقادير گراديان تاثيري نخواهد گذاشت زيرا که آنها از تفاضل پيکسلها محاسبه مي شوند. تغيير در کنتراست تصوير، به صورتي که هر مقدار پيکسل در يک ثابت ضرب شده باشد، نيز گراديان را در يک ثابت مشابه ضرب خواهد کرد، لذا اين تغيير کنتراست با نرماليزه کردن بردار از بين خواهد رفت و در نتيجه توصیفگر نسبت به تغيير مستوي در روشنايي مقاوم خواهد بود. سپس دوباره هيستوگرام را به مقدار واحد نرماليزه مي کنيم.
 
پاسخ داده شده اردیبهشت 11, 1393 بوسیله ی farnoosh (امتیاز 2,057)   3 10 41
...