Détecteur de coins de Harris (chapitre 1)

Soit l’image suivante :

A ) Calculer la matrice de Harris :

pour la fenêtre 3x3 marquée au milieu. Ix = dI/dx et Iy = dI/dy et W est la fenêtre

sélectionnée.
D’abord il faut calculer les dérivatives en utilisant les noyaux donnés.

Ensuite on calcule la matrice de Harris

B) Claculer le facteur de cornerness de Harris C = det(H) – k trace(H) pour k =
0.04.
Qu’est ce que nous avons donc un coin, une bordure ou une région flatte
(homogène) ?

det(H) = h11*h22 - h12*h21

trace(H) = h11 + h22

C = det(H) – K trace(H)2 = (403 * 381 – 385 * 385) – 0.04 * (403 + 381)2 = -19268.24

Un coefficient de Harris négatif correspond à une bordure.

 Features / SIFT (chapitre 1)

A) Quel est le but des étapes suivantes pour l’algorithme SIFT.

1. SIFT detection (Détecteur SIFT):
Détecte les positions et l’échelle correspondant des points caractéristiques (features)
qui peuvent être identifiés dans différentes images.

2. SIFT description (Déscripteur SIFT):

Calcule le descripteur (un vecteur de 128 valeurs) qui l’empreinte digitale pour chaque
point caractéristique en fonction de son voisinage. Le descripteur est invariant par
rapport à l’échelle et l’orientation.

3. SIFT matching (Corresponance de SIFT):

Cherche la correspondance entre les features dans deux ou plusieurs images en se
basant sur leurs descripteurs.

B) Lesquelles des étapes précédente peuvent être faite indépendamment pour chaque image
? Lesquelles nécessitent les deux images ?
1. et 2. peuvent être réalisées indépendamment pour chaque image.
3. nécessite deux images.

C) L’algorithme RANSAC peut être utilisé pour améliorer une des étapes précédentes,
laquelle ? Comment ?
RANSAC peut améliorer l’étape de correspondance (matching). Ca peut être utilisé
quand il y a un modèle global reliant les features d’une image à leurs correspondants
dans l’autre image. RANSAC améliore la correspondance par la recherche de ce
modèle et l’élimination en même temps des outliers (fausses correspondances)

D) L’affectation de l’orientation est fait dans laquelle des étapes précédente ? Pour quel but ?
Elle peut être considérée comme la première phase dans l’étape de description du
feature ou la dernière phase de l’étape de détection.
Elle sert à calculer un descripteur invariant par rapport à l’orientation.

E) L’algorithme Kd-tree peut être utilisé dans laquelle des étapes précédentes ? Pourquoi
utiliser cet algorithme ou un autre algorithme de structures de données ?
L’algorithme Kd-tree peut être utilisé dans l’étape de correspondance (matching). Il est
utilisé pour améliorer l’efficacité de l’algorithme de recherche de correspondance dans
la complexité computationnelle est similaire à une recherche exhaustive en comparant
chaque feature de la première image à tous les points de la deuxième image.
 SIFT Detection (chapitre 1)

Les matrices suivantes sont le résultat de l’application d’un filtre Gaussien avec
différentes largeurs (sigma) pour une seule octave dans l’algorithme de détection
des features SIFT. Lequel de ces points est un point SIFT (coordonnées (x,y) et
échelle)? Justifier. (Ceci avant la suppression des bordures et des points à faible
contraste).

Voir slides 46 à 75 du chapitre 1 (localisation des

features) : Pour trouver les points SIFT, il faut calculer Échelle 1
la différence des gaussienne DoG qui est une
approximation du LoG (Laplacien de Gaussienne)
ensuite chercher les points correspondants aux maxima
et minima dans les images de différences.
La recherche des maxima/minima est faite par la
comparaison de chaque pixel par rapport à ses voisins.
La comparaison est faite dans l’image courante et les
images de dessus et de dessous : Ce qui fait un total de
26 comparaisons. Un pixel est marqué comme un point
d’intérêt s’il a la plus grande ou petite valeur de ses 26 Échelle 2
voisins.
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.

Dans notre cas le pixel qui ce trouve à x = 1 et y = 1 à

l’échelle 3 (les coordonnées x,y commencent de 0,0)
est le point SIFT comme :
Comparer à ses voisins du même échelle : Échelle 3
-3 < 2,3,0,1,1,2,0,1
Comparer à ses voisins de l’échelle 2 :
-3 < 1,2,0,1,1,0,1,1,1
Comparer à ses voisins de l’échelle 4 :
-3 < 2,5,0,4,-2,8,0,8,-2

Échelle 4
 Transformations d’Image (chapitre 2)

A) L’image ci-dessous de gauche a subit une transformation affine : y = Mx + t

pour créer l’image de droite. Calculer la matrice de rotation et le vecteur de
translation t à partir des des correspondances ( A, A’), ( B , B’), et ( D , D’).

avec

alors

donc
B) Calculer les coordonnées de C’ et E’.

C) Appliquer la transformation homographique suivante à l’image d’entrée de la

question précédente (limage de gauche). Tracer les points A’, B’, C’, D’, et E’.
 Motion Estimation (chapitre 3)

Questions de cours :
1. Donner l’équation du flux optique 2D et dénoter ses différentes composantes. Sous quelle
condition (supposition) cette équation est valide ?

Équation du flux optique : Ixu + Iyv + It = 0

avec :

- Ix et Iy les gradients spatiaux selon l’axe des X et des Y, respectivement.

- It est le gradient temporel.

- u et v les vitesse de déplacements du pixel selon X et Y.

Cette équation est valide sous la condition de constance de l’intensité qui suppose que
l’intensité du pixel ne change pas en fonction du temps.

2. Expliquer le problème de l’aperture dans l’estimation du flux optique.

Il y a une seule équation avec deux variables ce qui ne permet pas d’estimer les deux
composantes du flux optique.

3. Tracer le champ du flux optique pour une image avec un objet de forme carrée se trouvant sur la
partie gauche de l’image et qui se déplace vers la caméra (parallèle à l’axe optique). On suppose
que la caméra et la scène sont statiques.

Un objet se dirigent vers la caméra à des vecteurs de champ optique qui s’éloignent du point
focus (qui est le centre de l’image dans ce cas) avec des amplitudes de plus en plus importantes.