SIFTScale Invariant Feature Transform

1

2

مقدمه•SIFTیک ابزار توصیف تصویر است معرفی شد.2004 و نسخه تکمیلی آن در 1999در سال •نسبت به تغییراتی مثل دوران و تغییر مقیاس پایدار است•، تغییرات نورپردازی، نویز و تغییر زاویه دید و affineنسبت به تبدیالت •

انسداد تا حدی پایدار است، شناسایی شی، شناسایی چهره، دنبال کردن شی registrationکاربردها: •

و... این طور SIFTروش هایی مثل انطباق کلیشه احتیاج به بخشبندی دارند، اما •

نیست

3

SFITمراحل اصلی الگوریتم

تشخیص نقاط کلیدی تصویر•

محاسبه اطالعات توصیف کننده نقاط•

4

تشخیص نقاط کلیدی تصویر نقاط کلیدی ̀به نقا̀طی از ت̀صویر گف̀ته ̀می شود که در فضای

مقیاس تصویر اکسترمم باشند.

.است اویر ت̀ص از ای ه مجمو̀ع ل شا̀م ویر ت̀ص مقیاس فضای ت̀صاویر ا̀ین مجمو̀عه ̀با ا̀ستفاده از کانولو̀شن ت̀صویر ا̀صلی با

فیلترهای گوسی با مقیاس های مختلف تولید می شوند.

5

ساخت فضای مقیاس

)2

)(exp(21),,( 2

22

2 yxyxG

),(*),,(),,( yxIyxGyxL

),,( yxL),( yxI

کردن یک تابع گوسی با تصویر، یک نمونه نرم شده از آن به convolveبا • می توان میزان نرمی تصویر را تعیین کرد.σدست می آید. با ت̀غییر

6

ساخت فضای مقیاس )ادامه(فضای مقیاس شامل چند تصویر است ̀که با چند بار اعمال فیلتر گوسی •

بدست آمده اند.

7

ساخت فضای مقیاس )ادامه( انجام شده و یک ”اکتاو“ جدید ساخته می شود.resamplingسپس عمل •( محاسبه می شود.DoGدر هر اکتاو، تفاضل گوسی ها )•

X

Y

σ

D(X,Y, σ)

8

ساخت فضای مقیاس )مثال(

تصاوی رگوسی

تفاضال تگوسی

اکتاو 1

اکتاو اکتاو 2اکتاو 3اکتاو 41

اکتاو اکتاو 2اکتاو 34

9

(keypointsیافتن نقاط کلیدی ) همسایه و نقاط 8 محاسبه می شود )هر نقطه با Dاکسترمم های تابع •

همسایه(26همسایه در صفحات مجاور محاسبه می شود، در مجموع سپس نقاط نامناسب حذف می شوند.•

(X,Y,σ)تا اینجا به ازای هر نقطه کلیدی، یک مختصات و یک مقیاس داریم: •

(DoGتفاضالت گوسی )

10

اختصاص جهتبردار گرادیان در هر نقطه تصویر، جهت و اندازه بیشترین تغییرات را نشان •

می دهد و عمود بر لبه است.برای ثابت بودن نسبت به دوران، یک دستگاه مختصات از روی گرادیان •

.تعریف می شود

),()1,(),(),1(yxLyxLyxLyxL

yLx

L

LL

y

x

)/(tan),(

),(1

22

xy

yx

LLyx

LLyxm

11

اختصاص جهت )ادامه(در یک پنجره اطراف هر نقطه کلیدی، یک هیستوگرام از گرادیان ها ساخته •

می شود.جهتی که بیشترین فراوانی را دارد به عنوان جهت غالب انتخاب می شود.•

تا اینجا برای هر نقطه کلیدی، یک مختصات، یک مقیاس و یک جهت داریم: •(X,Y,σ,O)

12

استخراج ویژگی ها مولفه اختصاص داده می 128به هر نقطه کلیدی یک بردار ویژگی شامل •

شود.

زیرپنجره تقسیم می شود.4*4پنجره اطراف نقطه کلیدی به •در هر زیر پنجره یک هیستوگرام از گرادیان ها رسم می شود )هر •

مقدار است(. 8هیستوگرام شامل 128 = 4*4*8تعداد ویژگی ها: •

13

SIFTخروجی

نقطه کلیدی داریمnفرض کنید ••n( بردار به شکل X,Y,σ,Oداریم )•n 128 بردار( تایی داریم f1, …, f128)

مختصات، مقیاس و جهت نقاط کلیدی

14

SIFTیافتن اشیا در تصویر به کمک

ویژگی ها از تصاویر مورد جستجو )موجود در پایگاه( داده استخراج می •شوند.

ویژگی ها از تصویر صحنه هم استخراج می شوند.•ویژ̀گی های تصاویر پایگاه داده در تصویر صحنه جستجو می شوند.•به علت زیاد بودن ویژگی ها، انسداد تا حدی قابل تحمل است.•

15

کاربردها: شناسایی چهره

16

تصاویر چند registrationکاربردها: طیفی

تصویر مادون قرمز تصویر مرئی

17

سایر کاربردهادنبال کردن حرکت•مدل سازی سه بعدی صحنه•ساخت پانوراما•بخشبندی تصویر•شناسایی مکان••Robot localization and mappingو...•

18

خالصه•SIFT.یک روش توصیف تصاویر است شامل استخراج نقاط کلیدی و سپس انتساب یک بردار ویژ̀گی به هر نقطه •

کلیدی است.ویژگی های استخراج شده نسبت به تغییراتی مثل دوران و تغییر مقیاس •

پایدار است.، تغییرات نورپردازی، نویز و تغییر زاویه دید و affineنسبت به تبدیالت •

انسداد تا حدی پایدار است.در یافتن اشیا، شناسایی چهره و... کاربرد دارد.•