[Ψηφιακή Επεξεργασία Εικόνας] 3η Εργασία 2016

[Thmmy.gr portal]

  Thmmy.gr portal
   Forum
   Downloads
   Ενεργ. Λογαριασμού
   Επικοινωνία
  
  Χρήσιμα links
   Σελίδα τμήματος
   Βιβλιοθήκη Τμήματος
   Elearning
   Φοιτητικά fora
   Πρόγραμμα Λέσχης
   Πρακτική Άσκηση
   Ηλεκτρονική Εξυπηρέτηση Φοιτητών
   Διανομή Συγγραμμάτων
   Ψηφιακό Καταθετήριο Διπλωματικών
   Πληροφορίες Καθηγητών
   Instagram @thmmy.gr
   mTHMMY
  
  Φοιτητικές Ομάδες
   ACM
   Aristurtle
   ART
   ASAT
   BEAM
   BEST Thessaloniki
   EESTEC LC Thessaloniki
   EΜΒ Auth
   IAESTE Thessaloniki
   IEEE φοιτητικό παράρτημα ΑΠΘ
   SpaceDot
   VROOM
   Panther
  

THMMY.gr Web

Helios_MultiScribbles2SMF Default ThemeSMFone_Blue

[Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads]

Είσαι πρωτοετής;... Καλώς ήρθες! Μπορείς να βρεις πληροφορίες εδώ. Βοήθεια για τους καινούργιους μέσω χάρτη.

Κατεβάστε εδώ το Android Application για εύκολη πρόσβαση στο forum.

Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads με προσοχή στα ονόματα των αρχείων!

[Πληροφορίες Καθηγητών]

Πληροφορίες Καθηγητών

[AckermanMik]

Ανέβηκε στο ethmmy http://alexander.ee.auth.gr:8083/eTHMMY/archive/118/downloadFile/6439/dip-2016-hw3.pdf

Ημερομηνία Παράδοσης: 7/7/2016

Καλό μας κουράγιο!

ΣΗΜΕΙΩΣΗ: ΑΝΕΒΗΚΕ 2η ΒΕΡΣΙΟΝ ΤΗΣ ΕΚΦΩΝΗΣΗΣ
ΣΗΜΕΙΩΣΗ2: ΑΝΕΒΗΚΕ 3η ΒΕΡΣΙΟΝ ΤΗΣ ΕΚΦΩΝΗΣΗΣ

[abadasa13]

[abadasa13]

Μπορεί κάποιος να με διαφωτίσει στα εξής;

1) Στη 2η σελίδα της εκφώνησης, λέει ότι οι "μερικές παράγωγοι υπολογίζονται με τη χρήση κατάλληλων συνελικτικών μασκών όπως έχουμε εξηγήσει στη θεωρία". Άρα κάνουμε συνέλιξη με έναν πίνακα της επιλογής μας από τους δύο που έχει η διαφάνεια 9 στη σελίδα 7;

2) Επίσης δεν έχω καταλάβει το σ^2 που περιλαμβάνεται στη συνάρτηση βάρους. Αφορά τη διασπορά των αποστάσεων της εικόνας από το (0,0); Είναι κάτι άλλο;

[Xbaremenos]

2) Επίσης δεν έχω καταλάβει το σ^2 που περιλαμβάνεται στη συνάρτηση βάρους. Αφορά τη διασπορά των αποστάσεων της εικόνας από το (0,0); Είναι κάτι άλλο;

Αυτό ακριβώς είναι, όσο μεγαλύτερο το σ, τόσο πιο "ομαλά" σβήνει η συνάρτηση w καθώς απομακρύνεται απο το ( 0,0 ).

[abadasa13]

Αυτό ακριβώς είναι, όσο μεγαλύτερο το σ, τόσο πιο "ομαλά" σβήνει η συνάρτηση w καθώς απομακρύνεται απο το ( 0,0 ).

Ευχαριστώ!

[Terzos]

Πόση ώρα κάνει να σας τρέξει η myDetectHarrisFeatures π.χ. στην originalImage του set1?

[Πάτρικ Αστέρης]

Στο paper λεει οτι για να υπολογισουμε τα Α,Β.C κανουμε συνελιξη μεταξυ των gradient και w.Mετα φτιαχνουμε με καθε στοιχειο Α(i,j) κτλ τον Μ;
Γιατι αλλιως ο Μ δεν μπορει να βγει 2*2
Eπισης για πειτε τι σ και k επιλεξατε;

[greekoo]

Παιδιά το w τι μέγεθος θα το πάρουμε;

Επίσης η  harris του ματλαμπ επιστρέφει πραγματικούς αριθμούς για συντεταγμένες γωνιών... Πώς το κάνει αυτό; Με κελιά του πίνακα δεν παίζουμε για συντεταγμένες;

[Xbaremenos]

Παιδιά το w τι μέγεθος θα το πάρουμε;

Επίσης η  harris του ματλαμπ επιστρέφει πραγματικούς αριθμούς για συντεταγμένες γωνιών... Πώς το κάνει αυτό; Με κελιά του πίνακα δεν παίζουμε για συντεταγμένες;

Εγώ το παίρνω έτοιμο απο το Matlab, καλώ την fspecial('gaussian') που επιστρέφει μια 3x3 gaussian μάσκα, υποθέτω οτι αρκεί.

Όσο αφορά τους πραγματικούς αριθμούς και γω το έχω απορία αυτό...

[greekoo]

Εγώ το παίρνω έτοιμο απο το Matlab, καλώ την fspecial('gaussian') που επιστρέφει μια 3x3 gaussian μάσκα, υποθέτω οτι αρκεί.

Όσο αφορά τους πραγματικούς αριθμούς και γω το έχω απορία αυτό...

σωστός!

Εν τω μεταξύ η u-surf είναι πολύ περίπλοκη συνάρτηση ή είναι ιδέα μου ?

[Xbaremenos]

σωστός!

Εν τω μεταξύ η u-surf είναι πολύ περίπλοκη συνάρτηση ή είναι ιδέα μου ?

Δεν πρέπει να είναι ιδιαίτερα δύσκολη, απο τα λίγα που κατάλαβα, απλά φτιάχνουμε ενα τετράγωνο γύρω απο το σημείο ενδιαφέροντος και το σπάμε σε 16 υπο - περιοχές. Έπειτα για κάθε μια απο αυτή την περιοχή αθροίζουμε dx,dy,|dx|,|dy| για όλη την υπο - περιοχή και βάζουμε κάθε άθροισμα σε μια θέση.
Κάθε περιοχή λοιπόν έχει ενα 1x4 descriptor vector , έ τα βάζουμε όλα σε ένα vector και καταλήγουμε με ενα τελικό 1x64 vector που περιγράφει γενικά το σημείο ενδιαφέροντος.

Τώρα μια ερώτηση, αυτό το Haar wavelet response τι ακριβώς είναι ?
και πως θα το υπολογίσουμε

[greekoo]

Δεν πρέπει να είναι ιδιαίτερα δύσκολη, απο τα λίγα που κατάλαβα, απλά φτιάχνουμε ενα τετράγωνο γύρω απο το σημείο ενδιαφέροντος και το σπάμε σε 16 υπο - περιοχές. Έπειτα για κάθε μια απο αυτή την περιοχή αθροίζουμε dx,dy,|dx|,|dy| για όλη την υπο - περιοχή και βάζουμε κάθε άθροισμα σε μια θέση.
Κάθε περιοχή λοιπόν έχει ενα 1x4 descriptor vector , έ τα βάζουμε όλα σε ένα vector και καταλήγουμε με ενα τελικό 1x64 vector που περιγράφει γενικά το σημείο ενδιαφέροντος.

Τώρα μια ερώτηση, αυτό το Haar wavelet response τι ακριβώς είναι ?
και πως θα το υπολογίσουμε

Εγώ τι κατάλαβα μέχρι τώρα απο το άρθρο που έχει στην παραπομπή για το U-SURF.
Παράγραφο 4.2:

"The size of this window is 20s " (πρώτη παράγραφος 4η γραμμή)
-Δηλαδή το μέγεθος του παραθύρου, δηλαδή του τετραγώνου γύρω απτο σημείο ενδιαφέροντος είναι 20s, όπου s τι είναι; Η διακύμανση του Gauss που χρησιμοποιήσαμε στο Harris? Και άρα το παράθυρο είναι 20χ20 ;;

Μετά απο κάτω λέει : "The region is split up regularly into smaller 4 × 4 square sub-regions. This
keeps important spatial information in. For each sub-region, we compute a few
simple features at 5 × 5 regularly spaced sample points. "

Άρα οι υποπεριοχές είναι 16 μέσα στο παράθυρο και άρα η κάθε μια είναι 5χ5 (για να χωράει ακριβώς).

dx,dy κατάλαβα πώς είναι η συνέλιξη της υποπεριοχής με το φίλτρο Haar (?) όπου haar 2x2 όπως τα έχουμε ορίσει με -1 και 0 ανάλογα την κατέυθυνση.

Αλλά έτσι τα dx,dy είναι και αυτά πίνακες (; .

Γενικά έχω μπερδευτεί με αυτά που λέει σε εκείνο το σημείο.

[Xbaremenos]

Άρα στα πρώτα συμφωνούμε, το haar πως το έχουμε ορίσει ?
Είχε πει ο ντέλο τίποτα μέσα στην τάξη ?

[greekoo]

Άρα στα πρώτα συμφωνούμε, το haar πως το έχουμε ορίσει ?
Είχε πει ο ντέλο τίποτα μέσα στην τάξη ?

αυτό δν είναι : [-1 1] πχ για x και [-1 ; 1] για y?

Εμείς στην ταξη είχαμε δεί και αυτό:  [-1/2 -1 -1/2; 0 0 0 ; 1/2 1 1/2]

[prodrom]

Εγώ τι κατάλαβα μέχρι τώρα απο το άρθρο που έχει στην παραπομπή για το U-SURF.
Παράγραφο 4.2:

"The size of this window is 20s " (πρώτη παράγραφος 4η γραμμή)
-Δηλαδή το μέγεθος του παραθύρου, δηλαδή του τετραγώνου γύρω απτο σημείο ενδιαφέροντος είναι 20s, όπου s τι είναι; Η διακύμανση του Gauss που χρησιμοποιήσαμε στο Harris? Και άρα το παράθυρο είναι 20χ20 ;;

Μετά απο κάτω λέει : "The region is split up regularly into smaller 4 × 4 square sub-regions. This
keeps important spatial information in. For each sub-region, we compute a few
simple features at 5 × 5 regularly spaced sample points. "

Άρα οι υποπεριοχές είναι 16 μέσα στο παράθυρο και άρα η κάθε μια είναι 5χ5 (για να χωράει ακριβώς).

dx,dy κατάλαβα πώς είναι η συνέλιξη της υποπεριοχής με το φίλτρο Haar (?) όπου haar 2x2 όπως τα έχουμε ορίσει με -1 και 0 ανάλογα την κατέυθυνση.

Αλλά έτσι τα dx,dy είναι και αυτά πίνακες (; .

Γενικά έχω μπερδευτεί με αυτά που λέει σε εκείνο το σημείο.

ρε παιδια εγω καταλαβαινω οτι οι περιοχες ειναι 4x4.. δειτε και αυτο
http://docs.opencv.org/3.0-beta/doc/py_tutorials/py_feature2d/py_surf_intro/py_surf_intro.html

For feature description, SURF uses Wavelet responses in horizontal and vertical direction (again, use of integral images makes things easier). A neighbourhood of size 20sX20s is taken around the keypoint where s is the size. It is divided into 4x4 subregions. For each subregion, horizontal and vertical wavelet responses are taken and a vector is formed like this, v=( \sum{d_x}, \sum{d_y}, \sum{|d_x|}, \sum{|d_y|}). This when represented as a vector gives SURF feature descriptor with total 64 dimensions. Lower the dimension, higher the speed of computation and matching, but provide better distinctiveness of features.