การประมวลผลภาพก่อนการตรวจจับคุณสมบัติ

ฉันได้ดำเนินการตรวจจับคุณลักษณะที่ใช้มุมแฮร์ริส ทำงานได้ดีเกือบทุกครั้ง แต่มีบางกรณีที่ทำงานได้ไม่ดี ฉันต้องทำให้มันใช้งานได้กับหลาย ๆ ภาพโดยไม่ต้องตั้งค่าทีละตัว

ปัญหาเกิดขึ้นกับค่าเกณฑ์ตรวจจับ หากตั้งค่าต่ำเกินไปเครื่องตรวจจับจะยิงหลายครั้งเกินไปทำให้มีคุณสมบัติจำนวนมาก หากตั้งค่าสูงเกินไปจะมีคุณสมบัติน้อยเกินไป

ฉันได้แก้ไขบางส่วนโดยANMS (Adaptive Non-Maximal Suppression) เพื่อลดจำนวนฟีเจอร์ก่อนที่จะกำหนดเวกเตอร์ตัวบอกให้พวกเขา

อย่างไรก็ตามภาพเช่นนี้เป็นปัญหา:

พวกเขามีคอนทราสต์ต่ำและฉันไม่สามารถ "ตั้ง" เกณฑ์การตั้งค่าต่ำเกินไปสำหรับรูปภาพทั้งหมด มันจะทำให้เครื่องมือตรวจจับทำงานกับรูปภาพเหล่านี้ แต่รูปภาพอื่น ๆ จะมีคุณสมบัติมากมายกว่าพันคุณสมบัติซึ่งจะช้าในการกรองด้วย ANMS และสิ่งนี้จะเป็นอันตรายต่อประสิทธิภาพโดยรวม

ฉันคิดว่าจะปรับภาพก่อนการตรวจจับคุณสมบัติ บางทีการทำให้เท่าเทียมกันฮิสโตแกรมจะทำงาน นี่อาจเป็นการดำเนินการที่ถูกต้องเนื่องจากการเปลี่ยนแปลงความคมชัดระดับโลกไม่มีผลต่อตัวบอกคุณลักษณะ

อาจทำงานร่วมกับเกณฑ์การปรับตัวหรือการแก้ปัญหาบางอย่างจะทำงานได้ดีขึ้น

ข้อเสนอแนะอื่น ๆ ?

ความเป็นไปได้ที่จะทำการตรวจจับขอบอย่างง่าย (เช่น Laplace) และใช้ความเข้มเฉลี่ยของผลลัพธ์เป็นพื้นฐานสำหรับเกณฑ์สำหรับมุมของแฮร์ริส เมื่อคุณมีคอนทราสต์ต่ำคุณจะได้ขอบน้อยลงและมีความเข้มต่ำลงด้วยคอนทราสต์สูงคุณจะได้รับขอบที่มากขึ้นและมีความเข้มที่สูงขึ้น

คุณไม่ใช่คนเดียวที่ดิ้นรนกับปัญหานี้ หากคุณสามารถเข้าถึงฐานข้อมูลกระดาษสิ่งนี้อาจน่าสนใจ:

• อัลกอริทึมการตรวจหามุมแฮร์ริสที่ปรับอัตโนมัติโดยอัตโนมัติตามการประมวลผลบล็อก

มันอาจจะคุ้มค่าที่จะค้นหา (อัตโนมัติ) การตรวจจับมุม harris แบบปรับได้มากขึ้น

คุณต้องใช้มุมของแฮร์ริสจริง ๆ หรือไม่? มีคุณสมบัติมากมายที่พัฒนาขึ้นหลังจากมุมของแฮร์ริสด้วยคุณสมบัติที่ดีกว่า ภาพรวมที่ดีสามารถพบได้ในบทความนี้:

• AL Dahl, H. Aanæsและ KS Pedersen การค้นหาชุดคุณลักษณะตัวตรวจจับที่ดีที่สุด - ชุดคำอธิบาย

จากบทความนั้นรวมถึงประสบการณ์ส่วนตัวของฉันฉันขอแนะนำให้เปลี่ยนเป็นMSER (ภูมิภาคที่มีเสถียรภาพสูงสุด)หรือรวมกับDoG (ความแตกต่างของ Gaussians) - คุณสมบัติที่แสดงครั้งแรกเป็นส่วนหนึ่งของท่อ SIFT

หากปัญหามีความคมชัดต่ำคุณสมบัติของ MSER จะทำให้คุณมีความสุขจริง ๆ : สิ่งเหล่านี้เป็นค่าคงที่ (เป็นธรรม) ต่อการเปลี่ยนแปลงของแสง ในระยะสั้นพวกเขาจะเชื่อมต่อภูมิภาคของภาพที่มีเสถียรภาพผ่านชุดของการประชุมเกณฑ์ที่แตกต่างกัน

กระบวนการแยกคุณลักษณะนั้นไม่ขึ้นอยู่กับการคำนวณ descriptors ดังนั้นจึงไม่ควรยากเกินกว่าที่จะรวมวิธีใหม่ของการแยกคุณลักษณะในกระบวนการของคุณ

นอกจากนี้ฉันเคยได้ยิน (แต่ไม่เคยร่วมงานกับ) มุม Multiscale Harrisเป็นส่วนขยายของมุม Harris ฉันไม่ค่อยรู้อะไรเกี่ยวกับพวกเขาและโดยส่วนตัวแล้วไม่สามารถแนะนำสื่อการอ่านใด ๆ ในหัวข้อนี้ได้ดังนั้นฉันจึงออกจากการค้นหาบทความและเลือกเนื้อหาที่น่าสนใจที่สุดให้กับคุณ

นอกจากนี้ผมอาจจะชี้ให้เห็นว่าภาพที่คุณโพสต์อาจจะมีปัญหาอื่น ๆ กว่าคมชัดต่ำ จากประสบการณ์ส่วนตัวของฉันพืชพันธุ์เช่นพุ่มไม้หรือทุ่งที่คุณมีรวมไปถึงก้อนเมฆที่น่ารักมักจะผลิต"คุณสมบัติทั่วไป" - คุณสมบัติที่มีแนวโน้มที่จะมีตัวอธิบาย (หรือแตกต่างกัน) ที่คล้ายคลึงกัน

ในทางปฏิบัติหมายความว่าเมื่อทำการจับคู่คุณสมบัติกับภาพสองภาพจากมุมมองที่แตกต่างกันคุณลักษณะที่ดึงมาจากพื้นผิวประเภทนี้มีแนวโน้มที่จะจับคู่กันอย่างไม่เหมาะสม ฉันได้ทำวิทยานิพนธ์ระดับปริญญาโทแล้วส่วนใหญ่เกี่ยวข้องกับการดึงคุณสมบัติเพื่อใช้ในการจับคู่คุณสมบัติที่ใช้ในการคำนวณการแปลง homography ระหว่างสองภาพเมื่อฉันเจอปัญหานี้ ฉันไม่พบบทความอื่น ๆ ที่อธิบายถึงปัญหานี้ในเวลานั้น แต่วิทยานิพนธ์ของฉันอาจมีประโยชน์สำหรับแนวทางโดยรวมของคุณ

สุดท้ายนี้ตามที่คุณได้ตั้งค่าขีด จำกัด และเทคนิคที่ใช้งานได้ดีกับภาพส่วนใหญ่ที่แยกออกมาเป็นฟีเจอร์เล็ก ๆ น้อย ๆ ในภาพประเภทนี้เนื่องจากพื้นที่ส่วนใหญ่เป็นเนื้อเดียวกัน รูปภาพประเภทนี้มีปัญหาในการจับคู่คุณสมบัติ (ซึ่งสามารถขยายไปยังการต่อภาพ) การดึงภาพจากเนื้อหาและฉันจะสันนิษฐานการติดตามรวมถึงแอพพลิเคชั่นที่คล้ายกัน ไม่มีวิธีการใดที่ใช้งานได้ดีกับพวกเขาในปัจจุบัน

วิธีการที่ใช้งานได้ดีกับภาพประเภทนี้รวมถึงกรณีทั่วไปกำลังได้รับการสำรวจและวิจัยในปัจจุบันเช่นวิธีการที่ฉันเริ่มทำงานโดยอธิบายสั้น ๆ ในคำตอบนี้