Wie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler

Transkript

1 Wie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler

2 Wenn man sie denn gefunden hat, was kann man mit den interessanten Punkten anfangen?

3 /Anwendungsgebiete Wenn man sie denn gefunden hat, was kann man mit den interessanten Punkten anfangen? Image Stitching Image Matching (abgleichen mit Bilddatenbank) 3D-Modelle generieren Texturerkennung etc.

4 Image Stitching

5 3D-Modelle generieren

6 Image Matching

7 Image Matching

8 Texturerkennung

9 Arten von Detektoren edge detector corner detector feature detector blob detector ridge detector

10 edge/corner detector Kante: Definition: Ein Pixel nennt man Kantenpixel, wenn sich seine Nachbarschaft durch hohe Graustufenvariationen auszeichnet. Eine Menge von Kantenpixeln nennt man Kante, wenn die Kantenpixelpaarweise über einen Pfad in der Menge verbunden sind. Ecke: Einen Pixel nennt man Eckpixel, wenn seine lokale Nachbarschft 2 dominante Kantenrichtungen aufweist

11 Kantenerkennung Verrauschtes Bild Reduktion des Bildrauschens

12 Kantenerkennung Kantenhervorhebung Kantenlokalisation

13 Kantenerkennung

14 Ableitungsfilter

15 Ableitungsfilter

16 Ableitungsfilter

17 Ableitungsfilter Original Ableitung horizontale Richtung Ableitung vertikale Richtung Betrag des Gradienten

18 Prewitt- und Sobel-Operator

19 Ablauf der Kantendetektion Kantenstärke Kantenrichtung

20 Kompass Operator

21 2. Ableitung

22 Laplace Operator

23 Laplace Operator

24

25 Laplacian of Gaussian

26 Bildschärfung I = I - ω (HL * I)

27 Canny Edge Detector Bild mit Gauss-Filter glätten Lokale Gradienten-Stärke und Richtung berechnen Lokale Maxima in Gradienten-Richtung suchen. Andere Pixel in Gradienten-Richtung werden gelöscht Schwellwert Operator und Edge Linking

28 Canny Edge Detector Edge Linking

29 Moravec Operator Harris Operator Trajkovic Operator SUSAN corner detector

30 Anforderungen an Interest-Operatoren Detektierte Punkte: lokal einzigartig möglichst einzigartig vom Hintergrund unterscheidbar sein Invarianz gegenüber Bildänderungen Unempfindlichkeit gegenüber Rauschen

31 Worin unterscheiden sie sich? Andere Herangehensweisen/Algorithmen Repeatability (Wiederfinden) Localization (örtl. Genauigkeit) Rechenaufwand

32 Moravec Operator Wie wird die Intensitätsvariation gemessen?

33 Moravec Operator min(intensitätsänderungen) äquivalent zu hohe Intensitätsänderungen in alle Richtungen

34 Moravec Operator Cornerness map Anfällig für Rauschen Zusätzlich: alle unter einem bestimmten Grenzwert auf 0 setzen

35 Moravec Operator

36 Harris Operator Approximieren der ersten Ableitung

37 Harris Operator U und V wählen um beliebige Richtung zu erreichen

38 Harris Operator Gewichtung hinzugefügt: Umformen in Matrix-Schreibweise ergibt: wobei:

39 Intuitive Herangehensweise

40 Plotten der Ableitungen als 2D-Punkte Verteilung der x und y Ableitungen ist für die 3 Fälle sehr unterschiedlich

41 Ellipse an jede Punktmenge anpassen Verteilung kann charakterisiert werden durch die Form und Größe der Ellipse

42 Klassifikation mithilfe der Eigenwerte Klassifikation der Bildpunkte mithilfe der Eigenwerte von M

43 Corner Response Measure (K ist eine empirisch bestimmte Konstante; k = )

44 Corner Response R R hängt nur von Eigenwerten ab R ist groß für Corners R ist stark negativ für Edges R ist klein für Flat Regions

45 Der Algorithmus im Ganzen Finde Punkte mit großer Corner Response R, wobei R > Schwellwert Nimm davon die Punkte mit einem lokalen Maxima

46 Ausgangsbilder

47 Corner Response R berechnen

48 Punkte finden mit R>Threshold

49 Punkte mit lokalem Maxima nehmen

50 fertig!

51 Trajkovic Operator Schnell, echtzeitfähig

52 Trajkovic Operator

53 4-neighbourhood vs 8-neighbourhood

54 Multigrid Algorithm Oder auch: Wie lassen sich Texture Corners entfernen?

55 4-neighbourhood vs 8-neighbourhood

56 Schwächen

57

58 Evaluation von Moravec, Harris, Trajkovic Moravec Harris Trajkovic

59 SUSAN Smallest Univalue Segment Assimilated Nucleus Basis: kreisrunden Masken (Radius 3,4 Pixel 37 Pixel Fläche) Vergleich aller Pixel in der Maske mit Mittelpixel USANs

60 SUSAN

61 SUSAN

62

63 SUSAN

64 SUSAN Fehlerbeseitigung