آشکار سازی ایده آل از ویژگی های تصاویر


آشکار سازی ایده آل از ویژگی های تصاویر

ویژگی ها، ساختارهای قابل تشخیص عناصر در محیط هستند. این ویژگی ها معمولا می توانند از اندازه ها استخراج و به صورت ریاضی توصیف شوند. ویژگی های خوب همیشه قابل درک بوده و به راحتی از محیط قابل شناسایی است و استخراج ویژگی های با اهمیت، می تواند درک بهتر از محیط، برای ربات به ارمغان بیاورد.


در عمل ربات های متحرک الزاما از استخراج ویژگی و تفسیر صحنه برای هر فعالیتی استفاده نمی کنند. در عوض، سنسور ها را با درجات مختلف که بستگی به هر عملکرد خاص دارد، تفسیر خواهند کرد. برای مثال، به منظور تضمین توقف اضطراری در مقابل مانع لحظه ای، ربات ممکن است از خروجی های دامنه ای خام برای توقف موتور های محرک خود، استفاده کند. برای جلوگیری از برخورد با موانع محلی، برخوردهای سنسور فاصله ای خام ممکن است در یک مدل مشبک اشغالی ترکیب شوند و ربات را قادر سازند که چندین متر از موانع دور شوند. برای هدایت دقیق و تشکیل نقشه، مقادیر سنسور فاصله ای و حتی اندازه گیری سنسور بینایی ممکن است از کل چرخه ادراک عبور کند. این مقادیر در معرض استخراج ویژگی و نیز تفسیر صحنه برای به حداقل رساندن تاثیر عدم قطعیت سنسور روی ایجاد نقشه ربات و مهارت های هدایت قرار می گیرند. الگویی که به وجود می آید این است که وقتی ربات به محیط پیچیده تری می رود، عملیات های ادراک طولانی مدت جنبه های استخراج ویژگی و تفسیر صحنه در زنجیره ادراک ضروری می شوند.
از یک جهت، داده خام سنسور حجم بیشتری دارند، اما با تفاوت اندک، داده ها را فراهم می کند. استفاده از داده خام دارای این مزیت بالقوه است که هر بیت از اطلاعات به طور کامل مورد استفاده قرار می گیرند، بنابراین در اینجا حفاظت بالایی از اطلاعات صورت می گیرد. ویژگی های سطح پایین، بخشی از داده خام هستند، بنابراین حجم پایین تری از داده فراهم می کنند؛ در حالی که تمایز ویژگی ها افزایش می یابد. این امیدواری وجود دارد که وقتی ویژگی های سطح پایین به کار می روند، این ویژگی ها، داده بی استفاده یا ضعیف را فیلتر کند. البته این احتمال وجود دارد که بعضی از اطلاعات ارزشمند در نتیجه فرآیند استخراج ویژگی از بین بروند. ویژگی سطح بالا حداکثر تجرید از داده خام را ایجاد می کند، بنابراین حجم داده را تا حد امکان کاهش می دهند؛ در حالی که ویژگی های حاصل با تمایز بالا را ایجاد می کند. از طرف دیگر، فرآیند تجرید دارای خطر فیلتر کردن اطلاعات مهم و به طور بالقوه کاهش به کارگیری دیتا است.به منظور کارا نمودن ویژگی های هندسی، محیط هندسی هدف باید به آسانی در محیط واقعی شناخته شود. برای مثال، ویژگی های خطی، به دلیل فراوانی بخش های به صورت دیوار عمود بسیار در محیط های ساختمان اداری کارا هستند؛ در حالیکه همین ویژگی ها در حقیقت زمانی که در سیاره ها به کار می روند ناکارآمد هستند. برعکس، احتمال یافتن ویژگی های نقطه ای (مانند گوشه و لکه ها) در هرمحیطی زمینه داری بیشتر است.

استخراج ویژگی مبتنی بر بینایی، می تواند به صورت قابل توجهی بر روی هزینه های محاسباتی تاثیر گذار باشد، به ویژه در ربات هایی که فرآیند سنسور بینایی توسط یکی از پردازنده های اصلی ربات انجام می شود. استخراج ویژگی گامی بسیار در جهت تفسیر صحنه داشته است و ویژگی های استخراج شده باید اطلاعاتی را ایجاد کنند که با نمایش به کار رفته برای مدل محیطی، سازگار هستند. برای مثال، ویژگی های مبتنی بر بینایی غیر هندسی در مدل های محیطی کاملا هندسی ارزش کمی دارند، اما در مدل های توپولوژیکی محیطی ارزشمندتر هستند.

یک ویژگی محلی الگوی تصویری است که از نظر شدت، رنگ و بافت با همسایه مجاورش متفاوت باشد. ویژگی محلی می تواند بخش های تصویری کوچک (مانند نواحی با رنگ یکنواخت)، لبه ها یا نقاط (مانند گوشه ها با مبدا تقاطع خطی) باشد. ویژگی های محلی می توانند به سه دسته مختلف تقسیم شوند. در دسته اول ویژگی هایی قرار دارند که دارای تفسیر معنایی هستند، برای نمونه لبه های متناظر با مسیرهای جاده ای یا لکه های متناظر با سلول های خونی در تصاویر پزشکی. در دستهی دوم ویژگی هایی قرار دارند که دارای تفسیر معنایی نمی باشند. در اینجا آنچه ویژگی ها به طور واقعی نمایش می دهند مهم نیست، آنچه اهمیت دارد این است که مکان آنها می تواند به طور دقیق و قوی روی زمان تعیین شود. کاربردهای نمونه دنبال کردن ویژگی، کالیبراسیون دوربین، بازسازی سه بعدی، موزاییک کردن و کنار هم قرار دادن تصاویر است. در دسته ی سوم، ویژگی هایی قرار دارند که اگر تنها در نظر گرفته شوند دارای تفسیر معنایی نیستند اما اگر همگی در نظر گرفته شوند می توانند برای تشخیص یم صحنه یا یک شی بکار روند. برای نمونه یک صحنه می تواند با شمارش تعداد تطابق ویژگی ها بین صحنه مشاهده شده و تصویر مورد جستجو تشخیص داده شود. در این حالت، مکان ویژگی مهم نیست، تعداد تطابق ها دارای اهمیت است. حوزه های کاربردی شامل تحلیل بافت، طبقه بندی صحنه، استخراج ویدیو، و بازیابی تصویر می باشد.

ویژگی آشکار ساز ایده آل

یک مسئله مهم یافتن زوج های متناظر مطابق به مقیاس های متفاوت است. بدین منظور آشکارساز ویژگی باید تکرارپذیر باشد. مسئله دوم آنست که لازم است برای هر نقطه در تصویر اول، نقطه متناظر در تصویر دوم را به درستی تشخیص دهیم. بنابراین ویژگی های آشکار شده باید خیلی متمایز (یعنی با قابلیت تشخیص بالا) باشند. شاید تکرار پذیر بودن مهمترین ویژگی یک آشکار ساز ویژگی خوب است. با داشتن دو تصویر از یک صحنه مشابه که تحت شرایط روشنایی و نماهای مختلف گرفته شده است، مطلوب است درصد بالایی از ویژگی های تصویر اول در تصویر دوم آشکارسازی شوند. این امر نیازمند آن است که ویژگی نسبت به تغییرات نقطه دیدی مانند چرخش دوربین یا بزرگنمایی و تغییرات روشنایی پایدار باشد.

دیگر ویژگی مهم قابل تمییز بودن است. ویژگی ها باید تا حد ممکن متمایز باشند تا بتوانند تشخیص داده شوند و منطبق گردند. برای نمونه، گوشه های صفحه شطرنجی که در کالبیراسیون دوربین اهمیت زیاد دارد، قابل تمییز نیستند زیرا نمی توانند از یکدیگر تشخیص داده شوند. دیگر ویژگی های یک آشکار ساز خوب به شرح زیر است:

1- دقت موقعیت یابی: ویژگی های آشکار شده باید به دقت هم از نظر موقعیت و هم مقیاس، موقعیت یابی گردند. به ویژه دقت در کالیبراسیون دوربین، بازسازی سه بعدی از تصاویر و کنار هم قرار دادن مناظر اهمیت دارد.

2-کمیت ویژگی: تعداد مناسب ویژگی های آشکار شده به کاربرد آنها بستگی دارد. برای اغلب عملیات ها مانند شناخت صحنه یا شی، بازیابی تصویر و بازسازی سه بعدی داشتن تعدا بالایی مشخصه دارای اهمیت است، این کار به منظور افزایش میزان شناخت یا دقت بازسازی مهم می باشند. اگرچه در صروتی که ویژگی یک تفسیر معنایی داشته باشد، تعداد کمی ویژگی برای تخشیص یک صحنه کافی خواهد بود.

3-تغییرناپذیری: ویژگی های خوب باید در برابر تغییرات نقطه دید دوربین، روشنایی محیط و تغییر مقیاس تغییر ناپذیر باشند. از آنجا که این تغییرات می توانند به صورت تبدیل های رباضی مدل شوند، تغییر ناپذیری در یک دامنه مشخص بدست می آید.

4- کارآیی محاسباتی: این مسئله که ویژگی ها بتوانند به صورت بسیار کارا آشکار شده و تطبیق داده شوند، مطلوب است. درچارچوب پروژه ای تحت نظر تصاویر گوگل که تمام تصاویر روی وب را مدیریت می کند، کارایی محاسباتی عنصر مهمی به عنوان پایگاه داده آن، که سال به سال افزایش می یابد، است. این مسئله در رباتیک نیز که اغلب کاربردها به صورت زمان-حقیقی است، دارای اهمیت است. اگرچه زمان آشکار سازی و تطابق یک ویژگی، بسیار وابسته به میزان تغییر ناپذیری مطلوب است، هرچند تغییر ناپذیری بیشتر باشد، تبدیل های تصویر بیشتری چک می شوند و بنابراین زمان محاسبه طولانی تر می گردد.

5- استواری: ویژگی های آشکار شده باید در برابر نویز تصویر، اثرات گسسته سازی، فشرده سازی، محو شدگی، انحراف از مدل ریاضی به کار رفته برای رسیدن به تغییر ناپذیری و ... استوار باشند.


آشکار سازی ایده آل از ویژگی های تصاویر
4.5/5
4.5
57
5
1

برای استفاده از تمامی امکانات وارد شوید

ارسال دیدگاه

دیدگاه ها