2

Harris Laplacian Detector の基本的な理解を深めたいと思います。Harris 検出器については知っていますが、Harris Laplacian Detector の背後にあるアイデアがわかりません。

ほとんど同じものを示す 2 つの画像があり、一方の画像は拡大縮小されているとします。後で対応関係をチェックし、後でホモグラフィ行列を計算できるように、すべての関心点を見つけたいと考えています。明らかに、スケール不変の関心点検出器が必要です。

Harris-Laplacianが機能すると私が思うこと（非常に抽象的です。間違っている場合は修正してください）：

  • Harris 検出器を両方の画像に適用する
  • Harris 検出器によって返された各関心点に関数を適用する
  • ラプラシアンを最大化するすべての点を保持
  • 画像をスケーリングし、Harris 検出器を両方の画像に再度適用します
  • ...他の手順を繰り返します...

私の質問:

  1. ラプラシアンを最大化するのはどのような点ですか?
  2. 関心点に適用する関数はどのようなものですか? 本当に関心のあるポイントまたはポイントの周りのパッチに適用しますか?
  3. 関数の最大値が使用されていることを読みました。何のためにそれが必要なのか、何を教えてくれるのか?
  4. この方法は一種のブルートフォースのようです (画像をスケーリングし、ハリスを適用し、保持するポイントを確認し、画像を再度スケーリングし、ハリスを適用します...)。これは非常に非効率的ではありませんか？
  5. 保持したいポイントは、ラプラシアンを最大化する必要があります。「ラプラシアン」とは？ラプラシアン演算子ですか？
  6. ポイントがラプラシアンを最大化する場合、各スケールにいくつかのポイントがあります。最終的な関心ポイントをどのように取得するか - どのスケールから取得するか?
  7. アルゴリズムはいつ終了しますか?
  8. ラプラシアンを使用する理由

かなり多くの質問:/

4

2 に答える 2

2

Harris-Laplace に関する Mikolajczyk らの論文と、おそらく彼の論文の一部を読んでいただければ幸いです。しかし、私はあなたの質問にできるだけ答えようとします..

まず、なぜラプラシアンを最大化する点について質問しているのですか? ラプラシアンの 3 次導関数と 4 次導関数は、ラプラシアンの極値に関する情報を提供しますが、ここではそうではありません。ハリス ラプラス検出器では、ラプラシアン スケールで最大化する点が使用されます。

第二に、「ハリス検出器によって返された各関心点に関数を適用する」、私の知る限り、関数を適用しません。そう;

1- ラプラシアンの最大化ではなく、ラプラシアン スケールの最大化は、このアルゴリズムで F[ラプラシアン(スケール = x-1)] < F[ラプラシアン(スケール = x)] および F[ラプラシアン(スケール = x)] > として検出されます。ラプラシアン (スケール = x+1)、この点は、この方法でラプラシアン スケールの最大値として受け入れられます。また、定義されたしきい値よりも低い値を持つポイントも拒否します。また、ラプラシアン値は、スケール i とポイント x のスケールで定義されます。F(スケール = i)=sigma(i)^2* |(Laplacianxx(x,i) * Laplacianyy(x,i))|

2-機能？ここでポイントが不足している場合は、コメントしてください。

3-関数について知らないので、その最大値についても知りません。

4-ガウスと導関数は線形関数です。したがって、ガウスの導関数を取得してラプラシアンを取得するだけで、そのフィルターによる画像の単純な畳み込みにより、画像のログが得られます。ただし、他のスケール不変ポイント検出器があり、その多くは、ケースでより高速に実行されると思われる場合に使用できます。

5- はい、ラプラシアンですが、最大の混乱についてはすでに回答したと思います。

6- スケーリングについて知らなくても、すべて取得できます。それ以外の場合は、イメージ マッチングのスケールとパッチ サイズの選択について尋ねられた場合、これはスケール マッチングに関するものです。スケール間のラプラシアン測定は、いくつかの値で類似しています。このプレゼンテーションhttp://campar.in.tum.de/twiki/pub/Chair/TeachingWs09MATDCV/feature_detectors2.pdfの最初のスライドを見てください。さらに、「共変点のスケール」というタイトルの論文の部分を読みたいと思うかもしれません。一番下にリンクがあります。

7- スケール スペースの制限を決定します。プログラムが定義した縮尺の計算を終了した後 (そしてコース ポイントが検出された後)、プログラムは終了するはずです。2 つの画像とそれに対応する問題についてはまだ話していません。後でそのことに集中してください。

8- 彼らの論文では、ラプラシアン スケールが 3D スケール空間よりも効果的であることがわかりました。別のスタックオーバーフローの質問を見てくださいHarris-Laplacian-Detector: Corner-and Blob-Detector? . また、Harris-Laplace 検出器について明確に説明している彼の論文も見つけることができます。

これが役立つことを願っています、幸運を祈ります:)

于 2013-08-26T20:17:58.177 に答える
1

たくさんの質問がありますが、たくさんあるので直接答えることはしません。代わりに、「Harris-Laplacian」検出器とは何かを述べたいと思います。

「Harris-Laplacian」法は、K.Mikolajczyk、C.Shmitd「Indexing Based on Scale invariant Interest Points」、ICCV 2001 で言及されています。

「ハリスコーナー検出器」は、1988年に登場した画像のコーナーを検出する仕組みです。（それに同調するのは存在するハイパーマラメーターです）。それはあなたに角と向きを与えることができます。

「ラプラシアン」は微分演算子ですが、コンピューター ビジョンでは、「シグマ ^ 2 を掛けた 2 次元ガウス関数のラプラシアン」を意味する場合があります。Gausian は prob から pdf の形式で書かれています。理論 (たとえば、e^{-\pi*x^2} の代替形式も有用ですが、確率論では使用されていないため、言及しました)。そして、共分散行列は対角です。いいガウス関数ですね。以下のテキストでは、「2d ガウスの正規化されたラプラシアン」を「L」と呼びます。

たとえば、畳み込み入力画像を使用すると、別の画像が得られます。このような出力は、応答 (信号処理または信号フィルタリングからの用語) と呼ばれます。

元の画像のハリス検出器を介してコーナーの位置を推定した後、コーナーのオブジェクトのサイズは、「L」を使用した「畳み込み」画像を介して推定され、「シグマ」空間で最大の応答を見つけます。これが「Harris-Laplacian」という名前のメソッドです

つまり、Harris 検出器はコーナーの位置とその方向を示し、L との畳み込みはコーナー r の近くの関心領域のサイズ、つまりコーナーのサイズを示します。

ps 「幅」が W に等しい rect 信号をたたみ込む場合、シグマが幅に等しい L でたたみ込む場合に受け取る最大応答 (実際に観測されたもの)。理由はわかりません。正規化されたガウス関数のラプラシアンを直接調べたわけではありませんが、とても興味深い関数のようです。

于 2016-05-19T17:06:45.757 に答える