คำถามติดแท็ก image-registration

การมีขนาดของชุดคะแนนที่แตกต่างกันสองมิติ (2D เพื่อความง่าย) จะกระจายไปภายในสี่เหลี่ยมขนาดต่างกันสองคำถามคือ: 1- วิธีการหาการเกิดขึ้นของเล็ก ๆ ผ่านใหญ่ได้อย่างไร 2- ความคิดใด ๆ เกี่ยวกับวิธีการจัดอันดับเหตุการณ์ที่แสดงในรูปต่อไปนี้? ต่อไปนี้เป็นการสาธิตคำถามอย่างง่ายและวิธีแก้ปัญหาที่ต้องการ: อัปเดต 1: รูปต่อไปนี้แสดงมุมมองที่สมจริงยิ่งขึ้นเกี่ยวกับปัญหาที่กำลังตรวจสอบ เกี่ยวกับความคิดเห็นคุณสมบัติต่อไปนี้ใช้: ตำแหน่งที่แน่นอนของจุดที่มีอยู่ ขนาดที่แน่นอนของจุดที่มีอยู่ ขนาดสามารถเป็นศูนย์ (~ 1) = เพียงจุดเดียว จุดทั้งหมดเป็นสีดำบนพื้นหลังสีขาว ไม่มีเอฟเฟกต์สีเทา / การลดรอยหยัก นี่คือการใช้งานวิธีการที่นำเสนอโดยendolithมีการเปลี่ยนแปลงเล็กน้อย (ฉันหมุนเป้าหมายแทนแหล่งที่มาเนื่องจากมีขนาดเล็กและหมุนเร็วขึ้น) ฉันยอมรับคำตอบของ endolith เพราะฉันคิดถึงเรื่องนั้นมาก่อน เกี่ยวกับ RANSAC ฉันไม่เคยมีประสบการณ์มาก่อน นอกจากนี้การใช้งานของ RANSAC ต้องการรหัสจำนวนมาก

46 image-processing  computer-vision  image-registration 

อัลกอริธึมการลงทะเบียนภาพมักขึ้นอยู่กับคุณสมบัติของจุดเช่น SIFT (การแปลงคุณลักษณะแบบไม่แปรปรวน) ผมเห็นอ้างอิงบางคุณสมบัติบรรทัด แต่ผมสงสัยว่าถ้ามันจะเป็นไปได้ที่จะตรงกับกลุ่มภาพแทนของจุด ตัวอย่างเช่นกำหนดแหล่งที่มาและภาพที่แปลง: ฉันสามารถทำการตรวจจับขอบ, การเบลอและการแปลงลุ่มน้ำในแต่ละ: น่าเสียดายที่การแบ่งส่วนนั้นแตกต่างกันไปในแต่ละภาพเพื่อให้ตรงกับแต่ละส่วน ฉันเห็นกระดาษบางส่วนเกี่ยวกับการจับคู่รูปร่างและตัวอธิบายรูปร่างซึ่งไม่แปรเปลี่ยนเพื่อเลียนแบบการแปลงดังนั้นพื้นที่นี้จึงดูเหมือนว่าจะมีแนวโน้ม ... มีวิธีการแบ่งส่วนใดที่มีประสิทธิภาพมากกว่าในการเลียนแบบ (หรือแม้แต่ฉายภาพ) ของภาพ

15 local-features  image-segmentation  image-registration 

ฉันมีชุดของรูปภาพที่แสดงถึงความโค้งเฉลี่ยของพื้นผิวด้านหลังของมนุษย์ สิ่งที่ฉันต้องการทำคือ "สแกน" ภาพเพื่อหาจุดที่มีภาพคล้ายกัน "สะท้อน" ในส่วนอื่น ๆ ของภาพ (ส่วนใหญ่มีความสมมาตรกับเส้นกึ่งกลาง แต่ไม่จำเป็นเนื่องจากอาจมีความผิดปกติ) เทคนิคการเย็บภาพบางอย่างใช้สิ่งนี้เพื่อ "ตรวจจับอัตโนมัติ" จุดที่คล้ายกันระหว่างภาพ แต่ฉันต้องการตรวจจับทั้งสองด้านของภาพเดียวกัน เป้าหมายสูงสุดคือการค้นหาเส้นต่อเนื่องตามแนวโค้งที่ยาวที่สุดและยาวที่สุดซึ่งแบ่งส่วนหลังในลักษณะสมมาตร "ครึ่ง" ภาพตัวอย่างวางไว้ด้านล่าง โปรดสังเกตว่าไม่ใช่ทุกภูมิภาคที่มีความสมมาตร (เฉพาะด้านบนตรงกลางของภาพ "แถบ" แนวตั้งสีแดงเบี่ยงเบนไปทางขวา) ภูมิภาคนั้นควรได้รับคะแนนที่ไม่ดีหรืออะไรก็ตาม แต่จากนั้นสมมาตรในท้องถิ่นจะถูกกำหนดจากจุดสมมาตรที่อยู่ไกลออกไป ไม่ว่าในกรณีใดฉันจะต้องปรับ algorythm ให้กับโดเมนแอปพลิเคชันของฉัน แต่สิ่งที่ฉันตามมาก็คือกลยุทธ์การจับคู่ความสัมพันธ์ / การโน้มน้าว / การจับคู่รูปแบบ (แก้ไข: มีภาพเพิ่มเติมด้านล่างและคำอธิบายเพิ่มเติมบางส่วน) แก้ไข: ตามที่ร้องขอฉันจะรวมภาพทั่วไปมากขึ้นทั้งประพฤติดีและมีปัญหา แต่แทนที่จะเป็นภาพ colormapped พวกมันเป็นภาพระดับสีเทาดังนั้นสีนั้นเกี่ยวข้องโดยตรงกับขนาดข้อมูลซึ่งไม่ได้เกิดขึ้นกับภาพสี (ให้เพื่อการสื่อสารเท่านั้น) แม้ว่าภาพสีเทาดูเหมือนว่าจะไม่มีความเปรียบต่างเมื่อเทียบกับภาพที่มีสี แต่การไล่ระดับสีของข้อมูลอยู่ที่นั่นและสามารถนำมาซึ่งความเปรียบต่างที่ปรับตัวได้หากต้องการ 1) ภาพของวัตถุที่มีความสมมาตรมาก: 2) ภาพของเรื่องเดียวกันในช่วงเวลาที่แตกต่างกัน แม้ว่าจะมี "คุณสมบัติ" เพิ่มเติม (การไล่ระดับสีมากขึ้น) แต่ก็ไม่ได้ …

14 image-processing  cross-correlation  image-registration 

เมฆจุด(x,y,z)จะถูกสร้างขึ้นโดยใช้ฟังก์ชั่นการสุ่มชุดสำหรับ ดังที่แสดงในรูปภาพต่อไปนี้ระนาบการตัดแบบเรียบ ( โปรไฟล์ ) กำลังถูกตรวจสอบว่าตรงกับที่ดีที่สุด (แม้ว่าจะไม่ใช่แบบที่แน่นอน) โปรไฟล์เป้าหมายคือที่ให้ไว้ที่มุมซ้ายล่าง ดังนั้นคำถามคือ: 1- วิธีการค้นหาการจับคู่ดังกล่าวtarget 2D point mapผ่านการpoint cloudพิจารณาบันทึกย่อ / เงื่อนไขต่อไปนี้? 2- อะไรคือพิกัด / ทิศทาง / องศาของความคล้ายคลึงกัน ฯลฯ ? หมายเหตุ 1:โปรไฟล์ที่น่าสนใจอาจอยู่ที่ใดก็ได้ที่มีการหมุนตามแกนและอาจมีรูปร่างที่แตกต่างกันเช่นสามเหลี่ยมสี่เหลี่ยมผืนผ้าสี่เหลี่ยมจัตุรัส ฯลฯ ขึ้นอยู่กับตำแหน่งและทิศทางของมัน ในการสาธิตต่อไปนี้จะแสดงเฉพาะสี่เหลี่ยมที่เรียบง่าย หมายเหตุ 2:ค่าความคลาดเคลื่อนอาจถือได้ว่าเป็นระยะทางของคะแนนจากโปรไฟล์ แสดงให้เห็นถึงนี้สำหรับรูปต่อไปนี้สมมติว่าความอดทนของ0.01ครั้งมิติที่มีขนาดเล็กที่สุดเพื่อให้(~1) tol=0.01ดังนั้นหากเราลบส่วนที่เหลือออกและฉายจุดที่เหลือทั้งหมดบนระนาบของโปรไฟล์ที่ถูกตรวจสอบแล้วเราจะสามารถตรวจสอบความคล้ายคลึงกันกับโปรไฟล์เป้าหมายได้ หมายเหตุ 3:หัวข้อที่เกี่ยวข้องอาจจะพบได้ที่จุดรับรู้รูปแบบ

14 image-processing  computer-vision  image-registration  point-cloud 

ฉันมีความยากลำบากในการทำความเข้าใจวิธีการคำนวณอัตราข้อมูลเมื่อยกระดับการสุ่มตัวอย่างด้วยสีในตัวอย่างของภาพ Y'UV: ฉันมีตัวอย่างต่อไปนี้สำหรับการคำนวณ: ความละเอียดของภาพ: 352*288 ความถี่: 25 fps สำหรับ(4: 4: 4)การคำนวณตัวอย่างจะเป็นดังนี้: (352px * 288px) * 3 color channels * 25 fps * 8 bit = 60 825 600 bit/s จนถึงตอนนี้ดีมาก แต่ตอนนี้มาถึง(4: 2: 0) : (352px*288px) * 1.5 color channels * 25 * 8 = 30 412 800 bit/s ตอนนี้พยายามที่จะถ่ายโอนตัวอย่างนี้ไปยังเช่น(4: 1: …

10 image-processing  image-processing  matlab  fourier-series  wavelet  transform  image-processing  matlab  image  image-processing  image-registration  segmentation  image-processing  edge-detection  canny-edge-detector  tracking  image  fft  stft  image-processing  preprocessing  segmentation  image-processing  computer-vision  image-segmentation  thresholding  frequency-spectrum  wave  image-processing  edge-detection  window-functions  image-processing  optical-flow  image-processing  ocr  text-recognition  image-processing  computer-vision  frequency-spectrum  image-processing  image-processing  computer-vision  fourier-transform  dsp-core  wave  image-processing  3d 

ฉันพยายามใช้การแปลง Hough สำหรับการตรวจจับขอบและต้องการใช้ภาพไล่ระดับสีเป็นพื้นฐาน สิ่งที่ฉันได้ทำเพื่อให้ห่างไกลได้รับภาพIที่มีขนาด[M,N]และอนุพันธ์บางส่วนของมันgx, คือการคำนวณมุมการไล่ระดับสีในแต่ละพิกเซลgy ในทำนองเดียวกันผมคำนวณขนาดการไล่ระดับสีเป็นthetas = atan(gy(x,y) ./ gxmagnitudes = sqrt(gx.^2+gy.^2) เพื่อสร้างการแปลง Hough ฉันใช้รหัส MATLAB ต่อไปนี้: max_rho = ceil(sqrt(M^2 + N^2)); hough = zeros(2*max_rho, 101); for x=1:M for y=1:N theta = thetas(x,y); rho = x*cos(theta) + y*sin(theta); rho_idx = round(rho)+max_rho; theta_idx = floor((theta + pi/2) / pi * 100) …

9 image-processing  edge-detection  image-processing  computer-vision  image-registration  discrete-signals  noise  bpsk  snr  demodulation  bpsk  multipath  synchronization  timing  image-processing  filters  algorithms  edge-detection  sampling  demodulation  bpsk  synchronization  timing  fft  fourier-transform  delay  audio  speech-recognition  soft-question  discrete-signals  discrete-signals  autocorrelation  frequency  computer-vision