Principal curvature-based region detector とは

主曲率ベースの領域検出器は、PCBRとも呼ばれ、コンピュータビジョンおよび画像解析の分野で使用される特徴検出器である。具体的には、PCBR検出器は物体認識アプリケーションのために設計されている。
局所領域検出器は、典型的には、強度ベースの検出器と構造ベースの検出器の2つのカテゴリに分類することができる。
 強度ベースの検出器は、局所微分幾何学または強度パターンを分析して、いくつかの一意性および安定性基準を満たす点または領域を見つけることに依存する。これらの検出器には、SIFT、Hessian-Affine、Harris-Affine、MSERなどが含まれます。構造ベースの検出器は、関心点または領域を定義するための線、エッジ、カーブなどの構造イメージの機能に依存します。これらの検出器は、エッジベース領域(EBR)およびスケール不変形状特徴(SISF)を含み、
検出不変性の観点から、特徴検出器は、通常のHarrisコーナー検出器、SIFTなどのスケール不変検出器、およびHessian-affineなどのアフィン不変検出器などの固定スケール検出器に分割できます。
PCBR検出器は、構造ベースのアフィン不変検出器である。

Feature extraction とは

機械学習、パターン認識、および画像処理において、特徴抽出は、測定データの初期セットから開始し、有益かつ非重複であることを意図した派生値(特徴)を構築し、その後の学習および一般化ステップを促進し、より良い人間の解釈に。フィーチャ抽出は、次元削減に関連しています。
アルゴリズムへの入力データが処理するには大きすぎて冗長であると思われる場合(例えば、足とメートルの両方で同じ測定値、またはピクセルとして提示された画像の反復性)、それは縮小されたセット特徴(特徴ベクトルとも呼ばれる)の数初期特徴のサブセットを決定することは、特徴選択と呼ばれる。選択されたフィーチャは、入力データからの関連情報を含むことが期待されるので、完全な初期データの代わりにこの縮小された表現を使用して所望のタスクを実行することができる。

Sobel operator とは

Sobel演算子は、Sobel-Feldman演算子またはSobelフィルタとも呼ばれ、画像処理やコンピュータビジョン、特にエッジ検出アルゴリズムで使用され、エッジを強調する画像が作成されます。スタンフォード人工知能研究所(SAIL)の同僚であるIrwin SobelとGary Feldmanにちなんで命名されました。 SobelとFeldmanは、1968年にSAILの講演で「等方性3×3画像勾配演算子」というアイデアを発表しました。技術的には、離散微分演算子であり、画像強度関数の勾配の近似値を計算します。画像の各点で、ソーベル・フェルドマン演算子の結果は、対応する勾配ベクトルまたはこのベクトルのノルムのいずれかです。 Sobel-Feldman演算子は、画像を水平方向および垂直方向に小さく分離可能な整数値のフィルタで畳み込むことに基づいているため、計算上比較的安価です。一方、それが生成する勾配近似は、特に画像の高周波変動に対して比較的粗い。

Feature (computer vision) とは

コンピュータビジョンおよび画像処理において、フィーチャは、特定のアプリケーションに関連する計算タスクを解決するために関連する情報である。これは、機械学習とパターン認識の機能と同じ意味ですが、画像処理には非常に洗練された機能のコレクションがあります。特徴は、点、辺、またはオブジェクトなど、画像内の特定の構造であってもよい。特徴は、画像に適用される一般的な近傍操作または特徴検出の結果であってもよい。
特徴の他の例は、画像シーケンスにおける動き、異なる画像領域間の曲線または境界、またはそのような領域の特性に関して定義された形状に関する。
特徴の概念は非常に一般的であり、特定のコンピュータビジョンシステムにおける特徴の選択は、手元の特定の問題に大きく依存する可能性がある。

Ridge detection とは

リッジ検出は、ソフトウェアを使用して画像内のリッジ(またはエッジ)を検出する試みです。
数学およびコンピュータビジョンでは、2つの変数の滑らかな関数の尾根(または尾根集合)は、1つまたは複数の点における関数の極大値寸法。この概念は、地理的尾根の直観を捕らえる。 N個の変数の関数については、その尾根はN-1次元の極大点である点の集合である。この点において、隆起点の概念は、極大値の概念を拡張する。これに対応して、関数の谷の概念は、極大値の条件を極小値の条件に置き換えることによって定義できます。リッジセットとバレーセットの結合は、コネクタセットと呼ばれる関連する一連のポイントとともに、関数のクリティカルポイントで分割、交差、または合致する接続された一連の曲線を形成します。この集合の集合は、関数の相対的なクリティカル集合と呼ばれます。
リッジ集合、谷集合、相対臨界集合は、関数に固有の重要な幾何学的情報を表す。ある意味では、それらは関数の重要な機能のコンパクトな表現を提供しますが、それらが関数のグローバルな機能を決定するために使用できる範囲はオープンな質問です。隆線の検出および谷の検出手順の作成の主な動機は、画像解析およびコンピュータビジョンからもたらされ、画像領域内の細長い物体の内部を捕捉することである。流域に関連するリッジ関連の表現は、画像のセグメンテーションに使用されてきた。また、画像領域の尾根、谷および臨界点を反映するグラフベースの表現によって物体の形状を捕捉する試みも行われている。しかし、このような表現は、単一のスケールでのみ計算された場合、ノイズに非常に敏感です。スケール空間理論計算はガウス(平滑化)カーネルとの畳み込みを伴うため、スケール空間理論の文脈でマルチスケールの尾根、谷および臨界点を使用することにより、オブジェクトのより堅牢な表現が可能になることが期待されている形状)を画像内に表示する。
この点で、尾根と谷は、自然の関心点または極端な地点を補完するものとして見ることができます。適切に定義された概念では、輝度の風景(または輝度の風景から導き出された他の表現)の尾根と谷は、局所的な外観上の空間的制約を組織するためのスケール不変のスケルトンを形成することができ、バイナリ画像のシェイプスケルトンを提供します。典型的な用途では、空中像内の道路を検出するため、および網膜画像または三次元磁気共鳴画像内の血管を検出するために、尾根および谷の記述子がしばしば使用される。

Local binary patterns とは

ローカルバイナリパターン(LBP)は、コンピュータビジョンの分類に使用されるビジュアルディスクリプタの一種です。 LBPは、1990年に提案されたTexture Spectrumモデルの特殊なケースです。LBPは、1994年に最初に記述されました。その後、テクスチャ分類の強力な機能であることが判明しました。 LBPが方向性勾配(HOG)記述子のヒストグラムと組み合わされたとき、いくつかのデータセットで検出性能が大幅に改善されることがさらに決定されている。バックグラウンド減算の分野における元のLBPのいくつかの改善の比較が、Silvaらによって2015年になされたLBPの異なるバージョンの完全な調査は、Bouwmans et al。

Image histogram とは

画像ヒストグラムは、デジタル画像の階調分布のグラフ表示として機能するヒストグラムの一種です。各色調値のピクセル数をプロットします。特定の画像のヒストグラムを見ることで、視聴者は全体の色調分布を一目で判断することができます。
イメージヒストグラムは多くの最新のデジタルカメラに存在します。写真家は、取り込まれたトーンの分布、および吹き飛ばされたハイライトや黒つぶれしたシャドウに画像の細部が失われているかどうかを示すために、それらを使用することができます。これは、生の画像フォーマットを使用する場合にはあまり役に立ちません。表示される画像のダイナミックレンジは、生のファイルのダイナミックレンジと近似できるからです。
グラフの横軸は色調変化を表し、縦軸はその特定の色調のピクセル数を表す。横軸の左側は黒と暗の領域を表し、中央は中程度のグレーを表し、右側は明るい領域と純粋な白色領域を表します。縦軸は、これらのゾーンのそれぞれに取り込まれた領域のサイズを表します。したがって、非常に暗い画像のヒストグラムは、グラフの左側と中央にそのデータ点の大部分を持ちます。逆に、暗い領域および/または影がほとんどない非常に明るい画像のヒストグラムは、グラフの右側および中央にそのデータ点の大部分を有する。

Circle Hough Transform とは

サークルハフ変換(CHT)は、デジタル画像内の円形オブジェクトを検出するためのデジタル画像処理で使用される基本的な技術です。
サークルハフ変換(CHT)は、円を検出するための特徴抽出技術である。これはハフ変換の特殊化です。この技術の目的は、不完全な画像入力で円を見つけることです。サークル候補は、ハフパラメータ空間で「投票する」ことによって生成され、次いで、いわゆるアキュムレータマトリクス内のローカル最大値を選択する。

Point feature matching とは

画像処理において、点の特徴検出は、混乱した場面の特定の標的を検出する有効な方法である。指定に関しては、この種のオブジェクトの代わりに1つの特定のオブジェクトを検出することです。たとえば、この方法を使用することで、孤立した場面で特定の人物を認識することができ、人が混乱した場面で他の人物を認識できなくなる可能性があります。
この方法のアルゴリズムは、単純に言えば、基準対象画像と荒らされたシーン画像との間の点の対応を比較し分析することに基づいている。混乱したシーンのいずれかの部分が閾値よりも大きな対応を共有する場合、混乱したシーン画像のその部分が対象とされ、そこで参照オブジェクトを有するとみなすことができる。

Step detection とは

統計および信号処理では、ステップ検出(ステップスムージング、ステップフィルタリング、シフト検出、ジャンプ検出またはエッジ検出とも呼ばれます)は、時系列の平均レベルで突然の変化(ステップ、ジャンプ、シフト)を検出するプロセスです。信号。これは、通常、変化検出または変化点検出として知られている統計的方法の特殊なケースと考えられます。多くの場合、ステップは小さく、時系列はある種のノイズによって壊れてしまい、ステップがノイズによって隠される可能性があるため、問題が困難になります。したがって、統計的および/または信号処理アルゴリズムがしばしば必要とされる。
ステップ検出の問題は、統計的プロセス制御(制御チャートが最も直接的に関連する方法である)、探査地球物理学(問題はよく記録された記録を層序帯に分けることである)などの複数の科学的および工学的状況で発生する。 (マイクロアレイデータを同様のコピー数体系に分離する問題)、および生物物理学(時間位置トレースに記録された分子機械の状態遷移を検出する)のような、 2D信号に対して、エッジ検出の関連する問題は、画像処理のために集中的に研究されてきた。