Я реализовал функцию детектора на основе углов Харриса . В большинстве случаев он работает нормально, но в некоторых случаях он работает плохо. Мне нужно, чтобы он работал на разных изображениях без индивидуальной настройки.
Проблема в пороговом значении детектора. Если установлено слишком низкое значение, детектор срабатывает слишком много раз, что приводит к огромному количеству функций. Если установлено слишком высоко, функций слишком мало.
Я частично разрешил это с помощью ANMS (Adaptive Non-Maximal Suppression), чтобы уменьшить количество функций перед назначением им дескрипторных векторов.
Тем не менее, такие изображения являются проблемой:
У них низкий контраст, и я не могу «позволить» установить слишком низкий порог для всех изображений. Это приведет к тому, что детектор будет работать с этими изображениями, но другие изображения будут содержать сотни тысяч функций, которые будут медленно фильтроваться с помощью ANMS, и это повредит общей производительности.
Я думал о настройке изображения до обнаружения функции. Возможно, уравнивание гистограммы сделало бы эту работу. Это может быть допустимой операцией, поскольку глобальное изменение контраста не влияет на дескрипторы объектов (они инвариантны к изменению яркости и контраста).
Возможно, работа с адаптивным порогом или какой-то эвристический подход сработает лучше.
Любые другие предложения?
Ответы:
Можно было бы сделать простое обнаружение краев (например, Лапласа) и использовать среднюю интенсивность результата в качестве основы для порога для углов Харриса. Когда у вас низкий контраст, вы получите меньше краев и с меньшей интенсивностью, с высоким контрастом вы получите больше краев и с более высокими интенсивностями.
Вы не единственный, кто борется с этой проблемой. Если у вас есть доступ к бумажным базам данных, это может быть интересно:
Возможно, стоит поискать (авто) адаптивное определение угла Харриса.
источник
Вы действительно должны использовать углы Харриса? Есть много особенностей, разработанных после углов Харриса, с лучшими свойствами. Хороший обзор можно найти в этой статье:
Основываясь на этой статье, а также на своем личном опыте, я бы предложил переключиться либо на MSER (максимально стабильные внешние регионы) , либо даже объединить их с DoG (разница гауссианов) - функциями, впервые представленными как часть конвейера SIFT.
Если проблема действительно в низком контрасте , то функции MSER действительно должны вас порадовать: они (довольно) не зависят от изменений в освещении. Короче говоря, они связаны областями изображения, устойчивыми через серию различных пороговых бинаризаций.
Процесс извлечения функций не зависит от вычисления дескрипторов, поэтому не должно быть слишком сложно интегрировать новые способы извлечения функций в ваш процесс.
Кроме того, я слышал (но никогда не работал с) углы Multiscale Harris как продолжение углов Harris. Я не знаю много о них и лично не могу рекомендовать какие-либо материалы для чтения на эту тему, поэтому я оставляю поиск статей и выбираю самые интересные материалы для вас.
Кроме того, могу ли я предположить, что у размещенного вами изображения могут быть другие проблемы, кроме низкого контраста . По моему личному опыту, растительность, такая как кусты или, возможно, поле, которое у вас есть, а также прекрасные пузырьковые облака имеют тенденцию создавать «общие черты» - особенности, которые имеют одинаково похожие (или разнородные) дескрипторы, как и многие другие функции.
На практике это означает, что при сопоставлении объектов на двух изображениях с разных точек зрения объекты, извлеченные из поверхностей такого типа, имеют тенденцию к ложному сопоставлению. Я сделал магистерскую диссертацию, которая в значительной степени посвящена извлечению объектов, которые будут использоваться при сопоставлении объектов, которые затем используются для вычисления преобразования гомографии между двумя изображениями, когда я столкнулся с этой проблемой. В то время я не нашел других статей, описывающих эту проблему, но мой тезис может быть полезен для вашего общего подхода.
Наконец, как вы установили, пороговые значения и методы, которые отлично работают на большинстве изображений, выделяют незначительные функции в изображениях такого типа из-за его в основном однородных областей. Изображения такого типа представляют проблемы при сопоставлении функций (которые могут быть расширены до сшивания изображений), при поиске изображений на основе содержимого, и я бы предположил, что отслеживание, а также аналогичные приложения. Ни один метод в настоящее время не работает на них.
Методы, которые хорошо работают на изображениях такого типа, а также типичные случаи, в настоящее время исследуются и исследуются, например, подход, над которым я начал работать, кратко описанный в этом ответе .
источник