Адаптация аффинной формы - Affine shape adaptation

Адаптация аффинной формы представляет собой методику итеративной адаптации формы сглаживающих ядер в аффинная группа ядра сглаживания к локальной структуре изображения в области окрестности конкретной точки изображения. Эквивалентно, адаптация аффинной формы может быть выполнена путем итеративного деформирования локального фрагмента изображения с помощью аффинных преобразований при применении осесимметричного фильтра к искаженным фрагментам изображения. При условии, что этот итерационный процесс сходится, результирующая фиксированная точка будет аффинный инвариант. В районе компьютерное зрение, эта идея использовалась для определения аффинно-инвариантных операторов точки интереса, а также методов анализа аффинно-инвариантной текстуры.

Аффинно-адаптированные операторы точки интереса

Пункты интереса, полученные из адаптированного к масштабу лапласиана детектор капель или многомасштабный Харрис угловой детектор с автоматическим выбором масштаба инвариантны к сдвигам, поворотам и равномерным масштабам в пространственной области. Однако изображения, входящие в систему компьютерного зрения, также подвержены перспективным искажениям. Для получения точек интереса, которые более устойчивы к перспективным преобразованиям, естественным подходом является разработка детектора признаков, который инвариантен к аффинным преобразованиям.

Аффинная инвариантность может быть достигнута путем измерения одной и той же многомасштабной матрицы второго момента с окнами. ${displaystyle mu}$ как используется в многомасштабном операторе Харриса при условии, что мы расширяем регулярный масштабное пространство концепция, полученная сверткой с вращательно-симметричными гауссовскими ядрами к аффинное гауссовское масштабное пространство полученные с помощью адаптированных по форме гауссовских ядер (Lindeberg 1994 раздел 15.3; Lindeberg and Garding 1997). Для двухмерного изображения ${displaystyle I}$ , позволять ${displaystyle {ar {x}} = (x, y) ^ {T}}$ и разреши ${displaystyle Sigma _ {t}}$ - положительно определенная матрица 2 × 2. Тогда неоднородное гауссово ядро можно определить как

{displaystyle g ({ar {x}}; Sigma) = {frac {1} {2pi {sqrt {operatorname {det} Sigma _ {t}}}}} e ^ {- {ar {x}} Sigma _ { t} ^ {- 1} {ar {x}} / 2}}

и учитывая любое входное изображение ${displaystyle I_ {L}}$ аффинное гауссово масштабное пространство - это трехпараметрическое масштабное пространство, определяемое как

{displaystyle L ({ar {x}}; Sigma _ {t}) = int _ {ar {xi}} I_ {L} (x-xi), g ({ar {xi}}; Sigma _ {t} ), d {ar {xi}}.}

Затем введем аффинное преобразование ${displaystyle eta = Bxi}$ куда ${displaystyle B}$ является 2 × 2-матрицей и определяет преобразованное изображение ${displaystyle I_ {R}}$ в качестве

{displaystyle I_ {L} ({ar {xi}}) = I_ {R} ({ar {eta}})}

.

Тогда представления аффинного масштабного пространства ${displaystyle L}$ и ${displaystyle R}$ из ${displaystyle I_ {L}}$ и ${displaystyle I_ {R}}$ соответственно связаны согласно

{displaystyle L ({ar {xi}}, Sigma _ {L}) = R ({ar {eta}}, Sigma _ {R})}

при условии, что матрицы аффинной формы ${displaystyle Sigma _ {L}}$ и ${displaystyle Sigma _ {R}}$ связаны согласно

{displaystyle Sigma _ {R} = BSigma _ {L} B ^ {T}}

.

Не обращая внимания на математические детали, которые, к сожалению, становятся несколько техническими, если стремиться к точному описанию того, что происходит, важно, что аффинное гауссовское масштабное пространство замкнуто относительно аффинных преобразований.

Если мы, учитывая обозначения ${displaystyle abla L = (L_ {x}, L_ {y}) ^ {T}}$ а также локальная матрица формы ${displaystyle Sigma _ {t}}$ и матрица формы интегрирования ${displaystyle Sigma _ {s}}$ , ввести аффинно-адаптированная многомасштабная матрица второго момента в соответствии с

{displaystyle mu _ {L} ({ar {x}}; Sigma _ {t}, Sigma _ {s}) = g ({ar {x}} - {ar {xi}}; Sigma _ {s}) , слева (abla _ {L} ({ar {xi}}; Sigma _ {t}) abla _ {L} ^ {T} ({ar {xi}}; Sigma _ {t}) ight)}

можно показать, что при любом аффинном преобразовании ${displaystyle {ar {q}} = B {ar {p}}}$ аффинно-адаптированная многомасштабная матрица второго момента преобразуется в соответствии с

{displaystyle mu _ {L} ({ar {p}}; Sigma _ {t}, Sigma _ {s}) = B ^ {T} mu _ {R} ({ar {q}}; BSigma _ {t } B ^ {T}, BSigma _ {s} B ^ {T}) B}

.

Опять же, не обращая внимания на несколько беспорядочные технические детали, важно отметить, что учитывая соответствие между точками изображения ${displaystyle {ar {p}}}$ и ${displaystyle {ar {q}}}$ , аффинное преобразование ${displaystyle B}$ можно оценить из измерений многомасштабных матриц второго момента ${displaystyle mu _ {L}}$ и ${displaystyle mu _ {R}}$ в двух доменах.

Важным следствием этого исследования является то, что если мы сможем найти аффинное преобразование ${displaystyle B}$ такой, что ${displaystyle mu _ {R}}$ - постоянная, умноженная на единичную матрицу, то мы получаем неподвижная точка, инвариантная к аффинным преобразованиям (Lindeberg 1994 раздел 15.4; Lindeberg and Garding 1997). Для практической реализации это свойство часто может быть достигнуто одним из двух основных способов. Первый подход основан на преобразования сглаживающих фильтров и состоит из:

оценка матрицы второго момента ${displaystyle mu}$ в области изображений,
определение нового адаптированного сглаживающего ядра с ковариационной матрицей, пропорциональной ${displaystyle mu ^ {- 1}}$ ,
сглаживание исходного изображения с помощью ядра сглаживания адаптированной формы, и
повторение этой операции до тех пор, пока разница между двумя последовательными матрицами второго момента не станет достаточно малой.

Второй подход основан на искажения в области изображения и подразумевает:

оценка ${displaystyle mu}$ в области изображений,
оценка локального аффинного преобразования, пропорционального ${displaystyle {hat {B}} = mu ^ {1/2}}$ куда ${displaystyle mu ^ {1/2}}$ обозначает матрицу квадратного корня из ${displaystyle mu}$ ,
искажение входного изображения аффинным преобразованием ${displaystyle {шляпа {B}} ^ {- 1}}$ и
повторяя эту операцию, пока ${displaystyle mu}$ достаточно близко к константе, умноженной на единичную матрицу.

Этот общий процесс называется адаптация аффинной формы (Lindeberg and Garding 1997; Baumberg 2000; Mikolajczyk and Schmid 2004; Tuytelaars and van Gool 2004; Ravela 2004; Lindeberg 2008). В идеальном непрерывном случае оба подхода математически эквивалентны. В практических реализациях, однако, первый подход на основе фильтра обычно более точен при наличии шума, тогда как второй подход, основанный на искажении, обычно быстрее.

На практике описанный здесь процесс адаптации аффинной формы часто сочетается с автоматическим выбором шкалы определения точки интереса, как описано в статьях на обнаружение капли и обнаружение угла, чтобы получить точки интереса, инвариантные для полной аффинной группы, включая изменения масштаба. Помимо широко используемого многомасштабного оператора Харриса, эту адаптацию аффинной формы также можно применять к другим типам операторов точки интереса, таким как оператор Лапласа / разности гауссовского блоба и определитель гессиана (Lindeberg 2008). Адаптация аффинной формы также может использоваться для распознавания аффинно-инвариантной текстуры и аффинно-инвариантной сегментации текстуры.

Адаптация аффинной формы - Affine shape adaptation

Аффинно-адаптированные операторы точки интереса

Смотрите также

Рекомендации