Сочинение на тему Алгоритм масштабного инвариантного преобразования объектов

Как только DoG найден, в изображениях ищутся локальные экстремумы в масштабе и пространстве. Например, один пиксель в изображении сравнивается с его 8 соседями, а также с 9 пикселями в следующем масштабе и 9 пикселями в предыдущих масштабах. В случае, если это были локальные экстремумы, это потенциальный ключевой момент. Этот процесс выполняется над различными октавами изображения в гауссовой пирамиде, как показано в 2.12. Пирамида изображений – это серия изображений, каждое из которых является результатом выборки с понижением (уменьшенной на определенный коэффициент) из предыдущего элемента.

После этого мы переходим к следующему шагу, который является ключевой точкой локализации. Когда потенциальные ключевые точки найдены, они должны быть уточнены, чтобы получить более точные результаты определения местоположения экстремумов, где есть пороговое значение, и если интенсивность в этих экстремумах меньше, чем это пороговое значение, то оно отклонено Теперь необходимо принять во внимание ориентацию, и для этого необходимо назначить ориентацию каждой ключевой точке для достижения неизменности вращения изображения. Вокруг расположения ключевой точки будет определяться окрестность в зависимости от масштаба, и в этом конкретном регионе рассчитывается величина и направление градиента. Чтобы найти доминирующую ориентацию, пики обнаруживаются в этой гистограмме ориентации. В случае если имеется несколько доминирующих ориентаций вокруг точки интереса, то допускается несколько пиков, если высота вторичных пиков превышает 80% высоты самого высокого пика, и в этом случае каждый пик используется для вычисления нового изображения дескриптор для соответствующей оценки ориентации.

Теперь, когда дескриптор ключевой точки создан, берется окрестность вокруг ключевой точки. Он разделен на подблоки, и для каждого подблока создается гистограмма ориентации. Затем ключевые точки между двумя изображениями сопоставляются путем определения ближайших соседей.