Scale-invariant feature transform: Skillnad mellan sidversioner

Innehåll som raderades Innehåll som lades till

Inline

Versionen från 4 november 2009 kl. 13.25

Nyckelpunkter av samma scen, men från ett annat håll. SIFT används till att hitta korrespondenser.

SIFT, eller Scale-invariant feature transform är en algoritm i datorseende för att extrahera nyckelpunkter som är opåverkade av skala, rotation och belysning. Algoritmen presenterades 1999 av David Lowe. De s.k. nyckelpunkterna extraheras på ett sätt som utgör en approximation till intressepunktsoperatorer som utvecklats inom skalrumsteori.

Tillämpningar

SIFT används till att finna korrespondenser mellan punkter i två eller flera bilder. Detta kan användas inom flera tillämpningar.

Objektigenkänning

Genom att för ett objekt bygga upp en databas med tillhörande SIFT-punkter kan objektet hittas i en godtycklig bild.^[1] Träffar mellan bildens och objektets punkter kan hittas och verifieras genom en kontroll mot objektets geometri.

3D-rekonstruktion

Panorama

Genom att hitta korrespondenser mellan två delvis överlappande bilder kan avbildningen mellan bilderna uppskattas. Efter att avbildningen är uppskattade kan bilderna sys ihop till en enda, stor bild. SIFT har framgångsrikt använts till att skapa panoraman helt automatiskt. ^[2]

Referenser

Följande två artiklar beskriver i detalj hur SIFT fungerar och hur det kan tillämpas inom objektigenkänning.

Lowe, D. G., “Distinctive Image Features from Scale-Invariant Keypoints”, International Journal of Computer Vision, 60, 2, pp. 91-110, 2004.

Lowe, D. G., "Object recognition from local scale-invariant features," Proceedings of International Conference on Computer Vision, 1999, pp. 1150-1157

Följande artikel utgör originalreferens för att detektera skalinvarianta intressepunkter utifrån skalrumsmaxima av det skalnormaliserade Laplace-svaret (Lowe använder en approximation till detta i termer av differenser mellan Gauss-utjämnade bilder):

<ref name=Lindeberg1998>Lindeberg, Tony (1998). ”Feature detection with automatic scale selection”. International Journal of Computer Vision 30 (2): sid. 79–116. doi:10.1023/A:1008045108935. http://www.nada.kth.se/cvap/abstracts/cvap198.html.

Noter

^ Lowe 2004
^ Recognising panoramas, Brown, M. Lowe, D.G. Dept. of Comput. Sci., British Columbia Univ., Vancouver, BC, Canada; [1]

[1] Lowe 2004

[2] Recognising panoramas, Brown, M. Lowe, D.G. Dept. of Comput. Sci., British Columbia Univ., Vancouver, BC, Canada; [1]

[1]

[2]

@@ Rad 18: / Rad 18: @@
 * [http://citeseer.ist.psu.edu/lowe99object.html  Lowe, D. G., "Object recognition from local scale-invariant features," Proceedings of International Conference on Computer Vision, 1999, pp. 1150-1157]
+Följande artikel utgör originalreferens för att detektera skalinvarianta intressepunkter utifrån skalrumsmaxima av det skalnormaliserade Laplace-svaret (Lowe använder en approximation till detta i termer av differenser mellan Gauss-utjämnade bilder):
+* <ref name=Lindeberg1998>{{cite journal
+ | author = Lindeberg, Tony
+ | year = 1998
+ | title = Feature detection with automatic scale selection
+ | journal = International Journal of Computer Vision
+ | volume = 30
+ | issue = 2
+ | pages = 79–116
+ | doi = 10.1023/A:1008045108935
+ | url = http://www.nada.kth.se/cvap/abstracts/cvap198.html
+}}
 ==Noter==