Académique Documents
Professionnel Documents
Culture Documents
01/10/2021
Localisation des zones d’intérêt
(features, primitives)
3
01/10/2021
Applications
4
● Panorama
01/10/2021
Applications
6
● Alignement d’images
01/10/2021
Applications
7
Reconstruction 3D
01/10/2021
Applications
8
● Suivi d’objet
01/10/2021
Applications
9
Correspondance
01/10/2021
Difficultés
11
01/10/2021
Correspondance d’images
12
Correspondance
01/10/2021
Template matching
14
01/10/2021
Template matching
15
01/10/2021
Correspondance d’image
17
01/10/2021
Correspondance d’image
18
01/10/2021
Features
19
les features sont des zones intéressantes de l'image. Plus précisément, une
zone constitue un bon choix comme feature si elle est :
01/10/2021
Étapes de détection des
21
corners
1. Pour chaque pixel de l’image d’entrée, l’opérateur de coin est appliqué pour
obtenir une mesure de qualité du pixel comme coin (cornerness du pixel).
2. Seuillage de la carte de qualités pour éliminer les coins avec une qualité faible.
3. Appliquer une suppression non-maximal pour éliminer les points avec une
qualité coin est moins élevée que la valeur de la qualité de tous les point dans une
certaine distance.
01/10/2021
Détecteur de corners : Maths
22
01/10/2021
Détecteur de corners : Maths
23
Si le déplacement (u,v) est faible, alors l’approximation par le premier ordre est
suffisante :
01/10/2021
Détecteur de corners: Maths
25
Donc, E(u,v) est localement approximée par une fonction d’erreur quadratique.
01/10/2021
Détecteur de corners : Maths
26
Donc, E(u,v) est localement approximée par une fonction d’erreur quadratique.
01/10/2021
Détecteur de corners : Maths
27
Bordure horizontale
01/10/2021
Détecteur de corners : Maths
28
Bordure verticale
01/10/2021
Détecteur de corners: Maths
29
Cas général
On peut visualiser H comme une ellipse avec les longueurs des axes
déterminées par les valeurs propres (eigenvalues) de H et
l’orientation déterminée par les vecteurs propres (eigenvectors) de H
Équation de l’ellipse :
Direction du
changement rapide
Direction du
changement lent
Valeurs propres de H
01/10/2021
Valeurs propres / Vecteurs
propres
30
Les vecteurs propres d’une matrice A sont les vecteurs x tel que :
• Dans notre cas, A = H est une matrice 2x2, donc nous avons :
• La solution :
01/10/2021
Détecteur de corners: Maths
31
On veut que E(u,v) soit grande pour des petits déplacements dans toutes
les directions :
●
Le minimum de E(u,v) doit être grand pour tout vecteur unitaire [u,v]
●
Ce minimum est donné par la plus petites valeurs propre λmin de H
01/10/2021
Détecteur de corners: Maths
33
01/10/2021
Détecteur de corners: Algorithme
34
●
Calculer les gradients dans les deux directions à chaque point de l’image
●
Créer la matrice H à partir des gradients
●
Calculer les valeurs propres de H
●
Trouver les points avec une grande réponse (λmin > seuil)
●
Choisir les point où λmin est un maximum local comme features (coins)
01/10/2021
Opérateur de Harris
35
L’opérateur de Harris pour la détection de coin utilise une variété pour λmin pour
éviter de calculer les valeurs propre :
01/10/2021
Opérateur de Harris
36
01/10/2021
Opérateur de Harris : Algorithme
37
2. dérivées au carré
●
Invariance à la rotation
01/10/2021
Propriétés du détecteur de Harris
39
●
Dépend de la taille de la fenêtre!
01/10/2021
Propriétés du détecteur de Harris
40
●
Invariance à l’échelle
➢
Calculer réponse sur plusieurs échelles
➢
Réponse est similaire même si on réduit la taille de l’image
01/10/2021
Propriétés du détecteur de Harris
41
●
Invariance à l’échelle
➢
Comment déterminer la taille de la fenêtre indépendamment
pour chaque image?
➢
Choisir la taille en fonction du “meilleur” coin
01/10/2021
Détecteur Hessien (Beaudet,1978)
42
01/10/2021
Détecteur Hessien (Beaudet,1978)
43
Fonction objectif :
> seuil
01/10/2021
Détecteurs Harris / Hessien
44
Résumé :
➢ Invariant par rapport au changement d’intensité
redétection
bordure Coin
01/10/2021
Points d’intérêt : SIFT
46
01/10/2021
Espace d’Échelle
47
01/10/2021
Espace d’Échelle
48
Exemple :
01/10/2021
Espace d’Échelle dans SIFT
49
quatrième octave
troisième octave
deuxième octave
L : image lissée
G : fonction gaussienne
I : image originale
σ : paramètre de l’échelle (le niveau du lissage). Plus il est grand,
plus le lissage est important.
* : opération de convolution. 01/10/2021
Espace d’Échelle dans SIFT
52
Résumé :
Dans la première étape de l’algorithme de l’opérateur SIFT, on crée
l’espace d’échelle de l’image par :
●générer plusieurs octaves de l’image originale. La taille des
images d’un octave est la moitié de la taille des images de l’octave
précédent.
●Dans l’octave, les images sont lissées progressivement par une
fonction gaussienne. Le coefficient du lissage σ augment par un
facteur constant :
σn = kσn-1 k constant
01/10/2021
Opérateur SIFT : Approximation LoG
53
Comme la deuxième dérivée est très sensible aux bruits, l’image est
lissée d’abord par une gaussienne puis le Laplacien est appliqué.
01/10/2021
Opérateur SIFT : Approximation LoG
55
01/10/2021
Opérateur SIFT : Trouver les PIs
56
01/10/2021
Opérateur SIFT : Trouver les PIs
57
A noter que les PIs ne sont pas détectés dans les niveaux le plus
bas et le plus haut comme ils n’ont pas assez de voisins pour les
comparaisons.
01/10/2021
Opérateur SIFT : Trouver les PIs
59
01/10/2021
Opérateur SIFT : éliminer les PIs avec
un faible contraste
60
L’étape précédente génère trop de PIs. Plusieurs d’entre eux sont sur
des contours ou ils n’ont pas assez de contraste. Dans les deux cas,
ils ne sont pas utiles comme des PIs.
●
Éliminer les point avec un faible contraste : Si l’amplitude de
l’intensité (valeur absolue) au pixel courent dans l’image DoG est
inférieure à une certaine valeur, alors il est éliminé.
01/10/2021
Opérateur SIFT : éliminer les PIs
situés sur les bordures
61
●
Éliminer les pixels des bordures : L’idée est de calculer le
gradient dans les deux directions autour du pixel :
➢
Si la région est plate, les deux gradients sont faibles
➢
Si un des gradient est grand et l’autre est faible, alors le pixel
correspond à une bordure
➢
Si les deux gradients sont élevés alors c’est un coins.
01/10/2021
Opérateur SIFT : L’orientation des PIs
62
Jusqu’à maintenant nous avons sélectionné les meilleurs PIs qui sont
invariants par rapport à l’échelle. Nous allons maintenant affecter une
orientation à chaque point pour lui assurer une invariance par rapport
à la rotation.
01/10/2021
Opérateur SIFT : L’orientation des PIs
64
01/10/2021
Opérateur SIFT : L’orientation des PIs
65
01/10/2021
Opérateur SIFT : L’orientation des PIs
66
Donc, une orientation peut créer plusieurs PIs partant d’un seul PI.
01/10/2021
Opérateur SIFT : Vecteur caractéristique
du PI
67
Pour faire, une fenêtre de 16x16 pixels est considérée autour du PI.
Cette fenêtre est répartie en 4x4 fenêtres.
• point-d’intérêt
01/10/2021
Opérateur SIFT : Vecteur caractéristique
du point d’intérêt
68
01/10/2021
Opérateur SIFT : Vecteur caractéristique
du point d’intérêt
69
01/10/2021
Opérateur SIFT : Vecteur caractéristique
du point d’intérêt
70
01/10/2021
Opérateur SIFT : Vecteur caractéristique
du point d’intérêt
71
01/10/2021
Opérateur SIFT : Vecteur caractéristique
du point d’intérêt
72
01/10/2021
Opérateur SIFT : Vecteur caractéristique
du point d’intérêt
73
01/10/2021
Détecteur des SIFT : Algorithme
74
4. Éliminer les mauvais points-clés : les bordures et les régions avec faible
contraste représentent de mauvais choix pour les points-clés (même
approche que dans l’algorithme de Harris)
5. Affecter une orientation aux points-clés : Une orientation est calculer pour
chaque point-clé. Pour avoir une invariance au rotation.
01/10/2021
Autres détecteurs de points d’intérêts
76
●...
01/10/2021