ıllı Internet y Tecnologías de la Información (2018)

internet, Hosting, dominios, seo, antivirus, banco de imágenes, páginas web, tiendas online

[Enciclopedia Online Gratuita] Diccionario de Internet y Tecnologías de la Información y la Comunicación (TIC):

ıllı Scale-invariant feature transform : que es, definición y significado, descargar videos y fotos.

videos internet

salud  ıllı Scale-invariant feature transform : que es, definición y significado, descargar videos y fotos.  


El término detección de peculiaridades o bien de puntos de interés hace referencia en visión artificial a la labor de encontrar en una imagen puntos tanto relevantes en lo que se refiere a la cantidad de información de su ambiente —por ejemplo por la existencia de bordes o bien texturas— como estables en frente de las alteraciones y transformaciones locales y globales que puede padecer la imagen. Esto último garantiza que dichos puntos se puedan advertir de forma fiable y con mucha precisión al efectuar esta labor de forma repetitiva.


En general, un buen número de los algoritmos de detección de peculiaridades se fundamentan en la detección de esquinas. Estos son invariantes a las rotaciones, lo que quiere decir que se pueden hallar exactamente los mismos puntos, con independencia de si la imagen ha sido rotada o bien no. No obstante estos algoritmos no acostumbran a ser invariantes frente al escalado pues un rincón puede parar de ser un rincón cuando la imagen es escalada.


En mil novecientos noventa y nueve, David Lowe publicó su primer artículo sobre Scale-invariant feature transform (SIFT), donde describió un algoritmo de detección de peculiaridades invariante tanto a rotaciones como al escalado de las imágenes.


Detección de extremos en la escala-espacio


La primera etapa es aplicar la differencia gaussiana con diferentes tamaños de zona tundefined y buscar máximos locales a lo largo tanto del espacio —determinado por las coordenadas xundefined y también yundefined en la imagen— como de la escala —determinada por tundefined—.


Para una escala tundefined dada la diferencia gaussiana da una fuerte contestación para esquinas de tamaño tal que encaja con dicha escala. En consecuencia en esta etapa se equipara cada punto del escala-espacio con los valores de sus vecinos en exactamente la misma escala —por ejemplo sus ocho vecinos más próximos— y en las escalas precedentes y siguientes —por ejemplo los nueve puntos vecinos en la escala de manera inmediata precedente y los nueve puntos de la escala de manera inmediata posterior—.


Localización de puntos de interés


La ubicación de cada punto de interés encontrado se refina a precisión sub-pixel utilizando la expansión de serie de Taylor del escala-espacio. Si el valor del punto extremo encontrado es menor que cierto umbral, el punto es descartado.


Además la diferencia gaussiana asimismo da un fuerte contestación en los bordes, con lo que estos han de ser eliminados. Para eso SIFT emplea una matriz hessiana para calcular las curvaturas primordiales, de tal manera que solo son interesantes aquellos puntos de interés para los los dos autovalores de la matriz hessiana no difieren en un orden de magnitud o bien más; puesto que dichos puntos seguramente correspondan con bordes en la imagen y no con esquinas.?


Asignación de orientaciones


A continuación se asigna una orientación a cada punto de interés para asegurar la invarianza con respecto a la rotación de las imágenes.


Para ello se toman los puntos vecinos en torno a cada punto de interés —en función de la escala— y se calcula la magnitud y dirección del gradiente. Entonces se hace un histograma de dichas direcciones ponderado por la magnitud del gradiente. El mayor pico en el histograma señala la orientación del punto de interés. Si hay otros picos sobre el ochenta por ciento del más esencial, se emplean para crear otros puntos de interés en exactamente la misma situación y escala mas con diferente orientación.


Descriptor de punto de interés


A continuación se crean los descriptores de los puntos de interés.


Para cada punto se toma un vecindario de 16×16undefined puntos. Este, por su parte, se divide en sub-bloques de tamaño 4×4undefined y para cada uno de ellos se crea un histograma de orientaciones. La yuxtaposición en un vector de los valores de las cajas de cada histograma para los dieciseis sub-bloques del punto de interés forma su descriptor.


Correspondencia de puntos de interés


La correspondencia entre los puntos de interés de 2 imágenes se consigue mediante una busca del punto más próximo en el espacio de los descriptores de puntos de interés. No obstante, a veces el segundo punto más próximo puede estar muy cerca del primero por culpa del estruendos. De ahí que se calcula la razón entre la distancia al más próximo y al segundo más próximo y si esta está sobre cierto umbral, los puntos son descartados


  ELIGE TU TEMA DE INTERÉS: 


autoayuda.es   Internet y Tecnologias 

Está aquí: Inicio > [ INTERNET ] > ıllı Scale-invariant feature transform : que es, definición y significado, descargar videos y fotos.

Las cookies nos permiten ofrecer nuestros servicios. Al utilizar nuestros servicios, aceptas el uso que hacemos de las cookies. Ver políticas