精华内容
下载资源
问答
  • 1)当 LoG算子的中心坐标和目标中心坐标重合时,红外弱小目标在 LoG尺度空间中会出现峰值响应,(据此可以检测出目标的中心位置); 2)通过寻找 LoG尺度空间的极大值可以实现红外弱小目标尺度的检测,进而得到红外...

    一、目的

    界定红外小目标的尺寸,拒绝多尺度重复计算,算法加速。

    利用 LoG尺度空间进行红外弱小目标检测的基本思想如下:

    1)当 LoG算子的中心坐标和目标中心坐标重合时,红外弱小目标在 LoG尺度空间中会出现峰值响应,(据此可以检测出目标的中心位置);

    2)通过寻找 LoG尺度空间的极大值可以实现红外弱小目标尺度的检测,进而得到红外弱小目标的大小。

    二、LoG算子

    拉普拉斯算子(二阶求导会显示出一张图像灰度剧烈变化的区域,因此对于噪声来说非常敏感。为了克服这一点,通常在进行laplacian之前,先进行高斯平滑(Gaussian Smooth) . L*(G*I) .

    高斯核函数:
    G ( x , y , σ ) = 1 2 π σ 2 e − x 2 + y 2 2 σ 2 G(x, y, \sigma)=\frac{1}{2 \pi \sigma^{2}} e^{-\frac{x^{2}+y^{2}}{2 \sigma^{2}}} G(x,y,σ)=2πσ21e2σ2x2+y2

    因为卷积运算满足结合律,所以可以先对Gaussian Smoothing Filter 和 Laplacian Filter进行卷积,之后在将卷积结果和图像I 进行卷积。
    L ( x , y ) = ∂ 2 G ∂ x 2 + ∂ 2 G ∂ y 2 \quad \mathbf{L}(\mathbf{x}, \mathbf{y})=\frac{\partial^{2} \mathbf{G}}{\partial \mathbf{x}^{2}}+\frac{\partial^{2} \mathbf{G}}{\partial \mathbf{y}^{2}} L(x,y)=x22G+y22G

    计算过程:
    ∂ G ∂ x = 1 2 π σ 2 e − x 2 + y 2 2 σ 2 ( − x σ 2 ) = − x 2 π σ 4 e − x 2 + y 2 2 σ 2 \frac{\partial G}{\partial x}=\frac{1}{2 \pi \sigma^{2}} e^{-\frac{x^{2}+y^{2}}{2 \sigma^{2}}}\left(-\frac{x}{\sigma^{2}}\right)=-\frac{x}{2 \pi \sigma^{4}} e^{-\frac{x^{2}+y^{2}}{2 \sigma^{2}}} \\ xG=2πσ21e2σ2x2+y2(σ2x)=2πσ4xe2σ2x2+y2

    ∂ 2 G ∂ x 2 = − 1 2 π σ 4 e − x 2 + y 2 2 σ 2 + x 2 2 π σ 6 e − x 2 + y 2 2 σ 2 \frac{\partial^{2} G}{\partial x^{2}}=-\frac{1}{2 \pi \sigma^{4}} e^{-\frac{x^{2}+y^{2}}{2 \sigma^{2}}}+\frac{x^{2}}{2 \pi \sigma^{6}} e^{-\frac{x^{2}+y^{2}}{2 \sigma^{2}}} \\ x22G=2πσ41e2σ2x2+y2+2πσ6x2e2σ2x2+y2

    ∂ 2 G ∂ y 2 = − 1 2 π σ 4 e − x 2 + y 2 2 σ 2 + y 2 2 π σ 6 e − x 2 + y 2 2 σ 2 \frac{\partial^{2} G}{\partial y^{2}}=-\frac{1}{2 \pi \sigma^{4}} e^{-\frac{x^{2}+y^{2}}{2 \sigma^{2}}}+\frac{y^{2}}{2 \pi \sigma^{6}} e^{-\frac{x^{2}+y^{2}}{2 \sigma^{2}}} y22G=2πσ41e2σ2x2+y2+2πσ6y2e2σ2x2+y2

    LoG滤波算子表达式:
    L o G ( x , y , s ) = 1 π s 4 [ 1 − x 2 + y 2 2 s 2 ] e − x 2 + y 2 2 s 2 L o G(x, y, s)=\frac{1}{\pi s^{4}}\left[1-\frac{x^{2}+y^{2}}{2 s^{2}}\right] e^{-\frac{x^{2}+y^{2}}{2 s^{2}}} LoG(x,y,s)=πs41[12s2x2+y2]e2s2x2+y2
    其中标准差 s s s为尺度因子,x 和 y 分别表示当距原点 (0,0) 的距离。

    这样一来在对图像进行实时处理时,只有一个卷积运算,即LoG算子 . L*(G*I) ➡ LoG*I .

    一维情形下高斯函数及其一阶导数和二阶导数(LoG)的曲线图:

    在这里插入图片描述

    高斯函数的二阶导数即拉普拉斯高斯算子(Laplacian of Gaussian , LoG)具有偏心环绕结构,所以其可以用于提取图像中圆形结构的信息。

    在这里插入图片描述

    但是其空间导数的强度随尺度的增大而衰减,为确保尺度不变性,需要引入规范化因子对导数函数进行规范化。

    引入规范化因子 s 2 s^2 s2后的归一化 LoG 滤波算子表达式:
    N L o G ( x , y , s ) = 1 π s 2 [ 1 − x 2 + y 2 2 s 2 ] e − x 2 + y 2 2 s 2 N L o G(x, y, s)=\frac{1}{\pi s^{2}}\left[1-\frac{x^{2}+y^{2}}{2 s^{2}}\right] e^{-\frac{x^{2}+y^{2}}{2 s^{2}}} NLoG(x,y,s)=πs21[12s2x2+y2]e2s2x2+y2

    enter description here

    LoG 滤波算子的一维参数模型如图所示,曲线大于 0 的部分用于估计目标区域,小于 0 的部分用于估计背景区域。

    由于红外小目标图像中目标区域灰度值高于背景区域的灰度值,当红外图像中的小目标尺寸与高斯拉普拉斯函数的形状趋近一致时,即当目标边缘位于曲线的交零点时,LoG 滤波算子卷积核与候选目标的相似度最高,卷积响应值达到最高。(圆形斑点)

    在这里插入图片描述

    在曲线交零点时,LoG 算子的值为 0,LoG 算子为正的圆形区域的半径 r = x 2 + y 2 = 2 s r=\sqrt{x^2+y^2}=\sqrt{2}s r=x2+y2 =2 s.圆形区域的直径即是目标尺寸,因此在获得目标特征尺度 s T s_T sT后,可得目标尺寸的计算公式
    h = 2 2 s T h=2\sqrt{2}s_T h=22 sT

    将规范化后的 LoG 滤波算子与原始图像 I(x, y)卷积,即可获得该尺度下的拉普拉斯图像 F(x,y,s) :
    F ( x , y , s ) = ∣ N L o G ( x , y , s ) ∗ I ( x , y ) ∣ F(x, y, s)=\left|N L o G(x, y, s)^{*} I(x, y)\right| F(x,y,s)=NLoG(x,y,s)I(x,y)

    通过设置不同的尺度因子 s ,根据上式分别计算不同尺度下的拉普拉斯高斯图像,即可获得拉普拉斯高斯尺度空间(LSS,Laplacian of Gaussian Scale Space):
    L S S ( x , y ) = F ( x , y , s ) ∣ s = s 0 , s 1 , . . . , s N LSS(x,y)={F(x,y,s)|s=s_0,s_1,...,s_N} LSS(x,y)=F(x,y,s)s=s0,s1,...,sN

    e.g.

    在这里插入图片描述

    最后,得到候选目标大小和位置后,需对候选目标进行显著性度量,找到较为显著的目标点。通过计算每个候选目标的局部最大 SCR,选取其局部最大 SCR 大于一定阈值的点作为目标。后续进行阈值化处理得到真实目标。

    三、候选目标的确定

    当图像经过 LoG 算子处理后,需在尺度空间中寻找具有局部极大响应的点作为候选目标点,即当目标点的响应大于所在尺度周围8 个响应及相邻尺度相应位置的响应时,则此点为候选目标,
    F ( x , y , σ i ) > F ( x w , y w , σ i )   ( x w , y w ) ∈ W F(x,y,\sigma_i)>F(x_w,y_w,\sigma_i) \ (x_w,y_w)\in W F(x,y,σi)>F(xw,yw,σi) (xw,yw)W

    F ( x , y , σ i ) > F ( x , y , σ i − 1 ) F ( x , y , σ i ) > F ( x , y , σ i + 1 ) F(x,y,\sigma_i)>F(x,y,\sigma_{i-1}) \\ F(x,y,\sigma_i)>F(x,y,\sigma_{i+1}) F(x,y,σi)>F(x,y,σi1)F(x,y,σi)>F(x,y,σi+1)

    式中 σ i σ_i σi为目标当前所在尺度,w表示目标点周围的八邻域窗口, σ i − 1 , σ i , σ i + 1 σ_{i-1},σ_i,σ_{i+1} σi1,σi,σi+1为三个相邻的尺度。

    在这里插入图片描述

    通过比较 选择局部极大目标点作为候选目标 ,通过以上操作,可以得到多个候选目标点。

    当得到极值点后,就相当于得到了红外目标的位置,此时便只需确定红外目标的尺寸大小。

    四、优化

    DoG算子

    类似于高斯拉普拉斯算子,DoG同样首先对图像进行高斯平滑。
    g 1 ( x , y ) = G σ 1 ( x , y ) ∗ I ( x , y ) g 2 ( x , y ) = G σ 2 ( x , y ) ∗ I ( x , y ) g_{1}(x, y)=G_{\sigma_{1}}(x, y) * I(x, y) \\ g_{2}(x, y)=G_{\sigma_{2}}(x, y) * I(x, y) \\ g1(x,y)=Gσ1(x,y)I(x,y)g2(x,y)=Gσ2(x,y)I(x,y)
    定义高斯差分算子:
    D o G = G σ 1 − G σ 9 D o G=G_{\sigma_{1}}-G_{\sigma_{9}} DoG=Gσ1Gσ9
    则高斯平滑后差分图像为:
    g 1 ( x , y ) − g 2 ( x , y ) = ( G σ 1 − G σ 9 ) ∗ I ( x , y ) = D o G ∗ I ( x , y ) g_{1}(x, y)-g_{2}(x, y)=(G_{\sigma_{1}}-G_{\sigma_{9}})*I(x,y)=DoG*I(x,y) g1(x,y)g2(x,y)=(Gσ1Gσ9)I(x,y)=DoGI(x,y)
    归一化之后的LoG算子:
    N L o G = σ 2 ( G x x ( x , y , σ ) + G y y ( x , y , σ ) ) = σ ∂ G ∂ σ \begin{aligned} NLoG &=\sigma^{2}\left(G_{x x}(x, y, \sigma)+G_{y y}(x, y, \sigma)\right) \\ &=\sigma \frac{\partial G}{\partial \sigma} \end{aligned} NLoG=σ2(Gxx(x,y,σ)+Gyy(x,y,σ))=σσG
    高斯差分算子:
    D o G = G ( x , y , k σ ) − G ( x , y , σ ) D o G=G(x,y,k\sigma)-G(x,y,\sigma) DoG=G(x,y,kσ)G(x,y,σ)
    所以:
    D o G ( k − 1 ) ≈ σ ∂ G ∂ σ = N L o G \frac{D o G}{(k-1)} \approx \sigma \frac{\partial G}{\partial \sigma}=NLoG (k1)DoGσσG=NLoG

    k-1是常量不影响函数极值点,DoG算子和LoG算子具有类似的波形,仅仅是幅度不同,而DoG算子的计算复杂度显然低于LoG,因此一般使用DoG代替LoG算子。

    展开全文
  • the closer to 1, the less peaks, the closer to 0, the more peaks* display : whether or not to display a figure for the results. 0 bydefault* ... and that's all ! that's the cool thing about the algori...

    the closer to 1, the less peaks, the closer to 0, the more peaks

    * display : whether or not to display a figure for the results. 0 by

    default

    * ... and that's all ! that's the cool thing about the algorithm =)

    outputs :

    * peaks : indices of the peaks

    * criterion : the value of the computed criterion. Same

    length as V and giving for each point a high value if

    this point is likely to be a peak

    The algorithm goes as follows:

    1°) set a smoothing horizon, initially 1;

    2°) smooth the data using this horizon

    3°) find local extrema of this smoothed data

    4°) for each of these local extrema, link it to a local extremum found in

    the last iteration. (initially just keep them all) and increment the

    corresponding criterion using current scale. The

    rationale is that a trajectory surviving such smoothing is an important

    peak

    5°) Iterate to step 2°) using a larger horizon.

    At the end, we keep the points with the largest criterion as peaks.

    I don't know if that kind of algorithm has already been published

    somewhere, I coded it myself and it works pretty nice, so.. enjoy !

    If you find it useful, please mention it in your studies =)

    running time should be decent, although intrinsically higher than

    findpeaks. For vectors of length up to, say, 10 000, it should be nice.

    Above, it may be worth it though.

    ---------------------------------------------------------------------

    (c) Antoine Liutkus, 2013

    ---------------------------------------------------------------------

    展开全文
  • 对A与B的转置进行矩阵乘法,应用softmax层计算空间注意力图,定义如下式: 我们在X和A的转置之间进行矩阵乘法并reshape它们的结果。然后将结果乘以一个尺度参数β,并与A进行元素和运算,得到最终的输出结果如下式所...
    点击上方“小白学视觉”,选择加"星标"或“置顶”
    重磅干货,第一时间送达
    

    作者:Abhinav Sagar

    编译:ronghuaiyang

    导读

    用于自动驾驶的新的state of the art的网络。

    本文提出了一种新的神经网络,利用不同尺度的多尺度特征融合来实现精确高效的语义分割。

    重点

    1. 我们在下采样部分使用了膨胀卷积层,在上采样部分使用了转置卷积层,并在concat层中对它们进行拼接。

    2. alternate blocks之间有跳跃连接,这有助于减少过拟合。

    3. 我们对我们的网络训练和优化细节进行了深入的理论分析。

    4. 我们在Camvid数据集上使用每个类的平均精度和IOU作为评价指标来评估我们的网络。

    5. 我们的模型在语义分割上优于之前的state of the art网络,在超过100帧每秒的速度下,平均IOU值为74.12。

    语义分割

    语义分割需要对输入图像的每个像素预测一个类,而不是对整个输入图像进行分类。为了预测图像中每个像素的内容,分割不仅需要找到输入图像中的内容,还需要找到它的位置。语义分割在自动驾驶、视频监控、医学影像等方面都有应用。这是一个具有挑战性的问题,因为要在准确性和速度之间进行权衡。由于模型最终需要在现实环境中部署,因此精度和速度都应该很高。

    数据集

    在训练和评估中使用了CamVid数据集。数据集提供了ground truth标签,将每个像素与32个类中的一个相关联。图像大小为360×480。数据集的ground truth样本图像如图1所示:

    图1:来自数据集图像的Ground truth

    将原始图像作为ground truth。对于任何算法,总是在与ground truth数据的比较中进行指标的评估。在数据集和测试集中提供ground truth信息用于训练和测试。对于语义分割问题,ground truth包括图像、图像中目标的类别以及针对特定图像中每个目标的分割掩模。对于图2中的12个类别,这些图像分别以二进制格式显示:

    图2:图像转换为二进制类掩模

    这些类别为:Sky, Building, Pole, Road, Pavement, Tree, SignSymbol, Fence, Car, Pedestrian 和 Bicyclist.

    网络结构

    对网络结构的解释如下:

    1. 我们将原来360×480像素的图像调整为224×224像素。

    2. 我们将数据集分成两个部分,训练集中有85%的图像,测试集中有15%的图像。

    3. 使用的损失函数是分类交叉熵。

    4. 我们用扩张卷积来代替下采样层中的普通卷积层这是用来减少特征图的,用转置卷积来代替上采样层中的普通卷积层来恢复特征。

    5. 我们在图层之间使用concat操作来合并不同尺度的特征。

    6. 对于convolutional layer我们没有使用任何padding,使用3 * 3 filter,并且使用relu作为激活函数。对于最大池化层,我们使用2×2的过滤器和2×2的步长。

    7. 我们使用VGG16作为训练模型的预训练主干。

    8. 在最后一层使用Softmax作为激活函数,输出一个物体是否存在于一个特定像素位置的离散概率。

    9. 我们使用adam作为优化器。

    10. 为了避免过拟合,我们使用了我们认为最优的batch size值4。

    本工作中使用的网络结构图3所示:

    图4:我们的网络结构

    优化

    假设给定一个局部特征C,我们将其输入一个卷积层,分别生成两个新的特征图B和C。对A与B的转置进行矩阵乘法,应用softmax层计算空间注意力图,定义如下式:

    我们在X和A的转置之间进行矩阵乘法并reshape它们的结果。然后将结果乘以一个尺度参数β,并与A进行元素和运算,得到最终的输出结果如下式所示:

    由上式可知,得到的各通道特征是各通道特征的加权和,并模拟了各尺度特征图之间的语义依赖关系。主干网络以及子阶段聚合方法可表示为:

    这里i指的是stage的索引。

    实验

    池化层的数量对IOU的影响如表2所示。

    模型架构中使用的分支数和融合方法对IOU的影响如表3所示。

    模型训练了40个epoch,训练的平均像素精度为93%,验证的平均像素精度为88%。损失和像素级精度(训练和测试)被绘制成epoch的函数,如图4所示:

    图4:a) Loss vs epochs b) Accuracy vs epochs

    评估指标

    对于评价,使用了以下两个指标:

    1、每个类的平均精度:这个度量输出每个像素的类预测精度。

    2、平均IOU:它是一个分割性能参数,通过计算与ground truth掩模之间的交集和并集的比来度量两个目标之间的重叠率。

    按类别计算IOU值的方法如下所示。

    其中TP为真阳性,FP为假阳性,FN为假银性,IOU表示交并比。

    结果

    使用多个block、FLOPS和参数对IOU的影响如表5所示。在这里,FLOPS和参数是我们的模型架构所需要的计算量的度量。

    表6中显示了之前的stage和我们的模型结构所实现的FPS和IOU的比较分析。

    将预测的分割结果与来自数据集的ground truth图像进行比较,结果如图5所示。

    图5:预测图像的结果 —— 第一列来自dataset的原始图像,第二列来自network的预测图像,第三列来自dataset的ground truth图像

    总结

    本文提出了一种基于多尺度关注特征图的语义分割网络,并对其在Camvid数据集上的性能进行了评价。我们使用了一个下采样和上采样结构,分别使用了扩展卷积和转置卷积层,并结合了相应的池化层和反池化层。我们的网络在语义分割方面的表现超过了以往的技术水平,同时仍能以100帧每秒的速度运行,这在自动驾驶环境中非常重要。

    论文地址:https://abhinavsagar.github.io/files/sem_seg.pdf

    代码:https://github.com/abhinavsagar/mssa

    —END—

    英文原文:https://towardsdatascience.com/semantic-segmentation-with-multi-scale-spatial-attention-5442ac808b3e

    下载1:OpenCV-Contrib扩展模块中文版教程

    在「小白学视觉」公众号后台回复:扩展模块中文教程即可下载全网第一份OpenCV扩展模块教程中文版,涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

    下载2:Python视觉实战项目31讲

    在「小白学视觉」公众号后台回复:Python视觉实战项目31讲即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目,助力快速学校计算机视觉。

    下载3:OpenCV实战项目20讲

    在「小白学视觉」公众号后台回复:OpenCV实战项目20讲即可下载含有20个基于OpenCV实现20个实战项目,实现OpenCV学习进阶。

    交流群

    欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~

    展开全文
  • 前人的工作: (1)hessian检测子(经典算法,当代还在使用)用来匹配两幅没有尺度差异(或者没有太大差异)的图片,比如双目视觉中的两个摄像头里的图像,就可以视为没有太大的差异。 (2)susan检测子;这个检测子...

    和大家一样,初学sift算法时的那种困惑让人身心疲惫,寝室难安;本着救广大同胞于水火之中的“大义”,从而产生啦写这篇文章的想法;哈哈。

    文章不免有错误,欢迎大家批评指正,共同学习。

    正文:

    关于特征点提取,一直是计算机视觉的重要内容;为了匹配图像,把整幅图像与另一幅图像做相关运算,运算量大的惊人,从而人们就产生了一个想法,能不能只匹配少数几个有代表性的特征点,从而达到高效匹配的目的;所以从上世纪到今天一直有大量的人员投入到特征点的提取上来。

    前人的工作:

    (1)hessian检测子(经典算法,当代还在使用)用来匹配两幅没有尺度差异(或者没有太大差异)的图片,比如双目视觉中的两个摄像头里的图像,就可以视为没有太大的差异。

    (2)susan检测子;这个检测子有点奇怪,本人看的不是很多。

    (3)LOG检测子,DOG检测子;这两个放一块的原因是后者计算较快,可以逼近前者(稍后再谈这个话题);

    准备工作

    高斯滤波:

    高斯滤波:

    如果先用一个σ1=6的高斯核对图像进行滤波,然后再用σ2=8的高斯核进行滤波,所得的图像相当于用

    σ=10=(6*6+8*8)^0.5的核进行滤波;

    MATLAB实现:

    %高斯滤波函数,使用时请放在另外一个文件中

    function y=gauss(x,theta)

    %y--滤波后的图像

    %x--需滤波的图像

    %theta--高斯滤波核;

    n=round(6*theta);

    if mod(n,2)==0

    n=n+1;

    end

    h=fspecial('gaussian',[n,n],theta);

    y=filter2(h,x);

    正文

    %(1)根据lowe理论;为了增加特征点数量先对图像放大一倍,

    %并假设图像已经被摄像机镜头滤波一次,滤波因子为0.5(详见lowe论文)

    %(σ=0.5)因为放大一倍,所以σ=1;

    %(2)要求初始尺度σ=1.6,所以最初的滤波因子为σ=(1.6*1.6-1*1)^0.5

    clear;clc;

    img=imread('f3.jpg');

    %将彩色图像灰度化;

    if(size(img,3)==3)

    gray_img=rgb2gray(img);

    else

    gray_img=img;

    end

    %1.获得初始图像,初始theta0=1.6;##########################################

    %获得初始图像

    %将图像放大一倍;

    db_img=imresize(gray_img,2);

    db_img=double(db_img);

    %将图像规范化到(0---1);详见lowe论文;

    db_img=db_img/255.0;

    %滤波后获得初始图像;

    theta=(1.6*1.6-1*1)^0.5;

    init_img=gauss(db_img,theta);

    %2.获得高斯图像金字塔##################################

    %假设每组层数S=3;组数O=4;

    S=3;

    O=4;

    theta0=1.6;

    k=2^(1/S);

    %保存相对sigma(即层间相对的theta)

    for i=1:S+3

    sig(i)=theta0*(k^(i-1));

    end

    for j=1:O

    if j==1

    gauss_pyr_img{j}{1}=init_img;

    else

    %每层的初始图像为上层的倒数第三张的降采样,即缩小一倍;

    gauss_pyr_img{j}{1}=imresize(gauss_pyr_img{j-1}{S+1},0.5,'nearest');

    end

    for i=2:S+3

    %每层滤波;

    gauss_pyr_img{j}{i}=gauss(gauss_pyr_img{j}{i-1},(sig(i)*sig(i)-sig(i-1)*sig(i-1))^0.5);

    end

    end

    %3.获得DOG金字####################################################

    for j=1:O

    for i=1:S+2

    dog_pyr_img{j}{i}=gauss_pyr_img{j}{i+1}-gauss_pyr_img{j}{i};

    end

    end

    % 4.获得关键点(待续)

    展开全文
  • 参考文献:[1] 龙建武, ... 高斯尺度空间下估计背景的自适应阈值分割算法[J]. 自动化学报, 40(8), 2014: 1773-1782. DOI: 10.3724/SP.J.1004.2014.01773概述对于背景亮度分布不均匀的图像,直接进行全局阈值分割很难...
  • 2.尺度空间的作用 1.用机器视觉系统分析未知场景时,计算机并不预先知道图像中物体的尺度。我们需要同时考虑图像在多尺度下的描述,获知感兴趣物体的最佳尺度。 2.不同的尺度下都有同样的关键点,那么在不同的尺度的...
  • 尺度空间 什么是尺度空间(scale space) 为什么需要尺度空间 高斯核 图像金字塔 什么是分辨率 为什么需要多分辨率 多尺度和多分辨率 图像金字塔 高斯金字塔 SIFT 参考 Why multi-scale? Why should you blur? • ...
  • 基于稀疏编码多尺度空间潜在语义分析的图像分类[J].计算机学报,2014,37(06):1251-1260. 文章摘要: 传统潜在语义分析方法无法利用图像中区域语义构成的上下文信息来获得图像目标空间分布信息,因此它丢掉了局部特征...
  • 本发明涉及管道焊缝X射线图像增强技术,尤其涉及一种提取不同尺度空间分辨率细节图像的分解方法。背景技术:管道在工业生产、管道运输、国防建设等方面存在广泛用途,而对管道焊缝进行质量检测是管道焊接生产必不可...
  • 尺度空间 尺度,可以通过地图的比例尺来理解,如下图所示,如果以100米为单位进行观测(称为图100),箭头处有一个角点A,如果以5米为单位进行观测(成为图5),则A附近多了一个凹陷B,而这个凹陷B在图100中是看...
  • Sift提取图像的局部特征,在尺度空间寻找极值点,并提取出其位置、尺度、方向信息。 Sfit的应用范围包括物体辨别、机器人地图感知与导航、影像拼接、3D模型建立、手势识别、影像追踪等。 Sfit算法的实质是在不同的...
  • 使用CSS(曲率尺度空间)提取图像角点 问题模型 LOAM中使用简单的曲率求取公式提取出角点和平面点,虽然提取特征点时速度较快,但是提取到的角点中含有很大一部分属于噪声类的点(如:树叶、草地等),从LOAM的基于线...
  • 遥感空间尺度转换技术(升尺度和降尺度

    千次阅读 多人点赞 2020-12-29 22:52:18
    遥感图像的一个基本特征是空间分辨率。目前已经可以有效获取大量不同空间分辨率遥感数据。 尺度尺度转换已经成为遥感的核心问题之一,人们已经从不同角度提出了这一问题。尺度转换分为两种: 升尺度:从高分辨率...
  • 第二周-视觉处理算法基础-芥末酱-201906介绍画图解释图像卷积滤波的基本原理,并进一步简述常见的图像平滑滤波算法。简述边缘检测的基本原理,以及Sobel、LoG...简述Hough变换的基本原理(包括参数空间变换及参数空间...
  • 基于空间注意力的多尺度深度神经网络集成的鼻咽癌肿瘤靶区自动分割 Automatic Segmentation of Gross Target Volume of Nasopharynx Cancer using Ensemble of Multiscale Deep Neural Networks with Spatial ...
  • 图像金字塔是图像中多尺度表达的一种,最主要用于图像的分割,是一种以多分辨率来解释图像的有效但概念简单的结构。图像金字塔最初用于机器视觉和图像压缩,一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步...
  • 双多尺度注意力网络(DMSANet)在图像分类、目标检测和实例分割上均适用,性能优于EPSANet、FcaNet和SENet等网络 摘要 注意机制最近在计算机视觉领域很受欢迎。为了提高网络的性能,已经做了许多工作,尽管它几乎...
  • 前面我们介绍了Harris和Shi-Tomasi角点检测算法,这两种算法具有旋转不变...它用来侦测与描述影像中的局部性特征,它在空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变量,此算法由 David Lowe在1999年所发表,2
  • SIFT算法步骤梳理

    2021-11-04 21:01:13
    SIFT算法实质上是在不同尺度空间上查找关键点,并计算出关键点的方向。 算法步骤: 构建尺度空间 利用高斯核来构建 高斯核是唯一可以产生多尺度空间的核,也是唯一线性核,利用高斯核对图像模糊处理不会引入其他...
  • 一键关注
  • Opencv3中SURF算法学习

    千次阅读 2021-07-20 22:35:24
    Opencv学习之SURF算法; harr特征以及积分图像; Hessian矩阵; sift算法; 图像金字塔、高斯金字塔、差分金字塔(DOG金字塔)、尺度空间; 非极大值抑制;
  • 赛题链接: https://www.sodic.com.cn/competitions/900012
  • 双多尺度注意网络 Abhinav Sagar作者主页:https://abhinavsagar.github.io/ 在本文中,提出了一个新的注意力模块,它不仅能达到最好的性能,而且与大多数现有的模型相比,具有更少的参数。 最近,注意力机制在...
  • 计算机视觉(特征检测)- DoG 和 SIFT 进行特征提取描述学习前言一、DoG 和 SIFT 进行特征提取描述  1、图像尺度空间  2、多分辨率高斯图像金字塔  3、高斯差分图像金字塔(DOG)  4、DOG空间关键点检测  5、...
  • 摘要:图像匹配是计算机视觉和图像处理中的一个基本问题,文章在回顾图像尺度空间相关给年的基础上研究了基于尺度不变特征变换的图像匹配技术,设计图像匹配仿真系统,验证了其尺度,旋转不变性和抗噪声干扰能力。...
  • 尺度函数的频带与待分析信号的频带相同,然后将逼近函数分别在尺度空间和小波空间中进行分解.就得到了信号的低频粗略部分和高频细节部分.此时新的尺度函数频带是原信号频带的一半.小波函数的频带是另一...
  • Sift(尺度不变特征变换),全称是Scale Invariant Feature Transform Sift提取图像的局部特征,在尺度空间寻找极值点,并提取出其位置、尺度、方向信息。 Sfit的应用范围包括 物体辨别、机器人地图感知与导航、影像...
  • 用来表示定义在实数域上的平方可积函数空间Haar尺度函数发 展 历 程 重 温 傅 立 叶 乍看小波 重 温 傅 立 叶 用傅立叶变换分析地震波和岩层的结构 重 温 傅 立 叶 傅立叶变换:将信号表示成一组正弦和余弦之和 重 ...
  • 1. 尺度 1.1尺度概念 1.2.尺度的表达 1.3.尺度的基本类型 1.4. 尺度的等级 1.5. 尺度推绎 2.1干扰概述 2.2干扰的概念 2.3干扰的类型 2.4人类干扰对土地利用变化影响: 2.5.干扰与景观异质性、景观多样性等...
  • 经典GWR由Fotheringham在1996年提出,基于构建空间权重矩阵的回归模型,普遍用于空间的影响因素分析上。SGWR(半参数地理加权回归)由Fotheringham提出,仅能将不同变量的影响尺度分成全局和局部两类,无法进一步...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 68,726
精华内容 27,490
关键字:

尺度空间