CS STUDY

출처: 컴퓨터비전 - 오일석

두 특징점을 매칭하려면 유사도 또는 거리를 측정하는 척도가 필요하다. 1. 거리 척도 2. 매칭 전략과 성능 분석 두 영상을 매칭하는 경우 서로 구분하기 위해 첫 번째 영상의 특징 벡터를 ai(1

얼굴 영상을 위한 적절한 기술자는 무엇일까? 다음 그림은 화소가 600x450 개이므로 270,000 차원의 거대한 특징 벡터가 생성된다. 이런 상황에서 효과적으로 사용할 수 있는 기법이 주성분 분석이다. 이 기법은 D차원의 특징 벡터를 정보 손실을 최소로 유지하여 d차원으로 (D>d) 줄여 준다. -원리- 이제 정보 손실을 어떻게 수량화할 것인지에 대해 생각해보자. 훈련 집합 X가 가진 정보는 샘플들 간의 거리, 상대적인 위치 관계 등이 포함된다. 이들 정보는 차원이 축소되므로 어느 정도 손실을 감수해야 한다. 예를 들어 위의 그림에서 x1 과 x2는 같은 점으로 투영된다. 따라서 둘 간의 거리나 위치 정보는 모두 사라진다. 위의 세 가지 투영에서 첫 번째가 가장 손실이 크고 세 번째가 가장 적다. P..

특징이 매칭이나 인식과 같은 단계에 유용하게 쓰이려면, 몇 가지 요구 조건을 만족해야 한다. 첫째, 기술자의 분별력이 높아야 한다. 둘째, 다양한 변환에 불변이어야 한다. 다음 그림을 예로 들면 기술자로 면적을 사용한다고 생각해 보자. 영역을 회전시켜도 면적은 원래와 같다. 면적은 회전에 불변이다. 하지만 크기를 축소하는 변환이 일어나면 면적이 변한다. 면적은 크기 변환에 불변이 아니다. 면적은 크기 변환에 따라 변하므로 공변이라고 말한다. 이제 주축을 생각해보자. 영역 a는 수직 방향으로 길기 때문에 주축은 대략 수직 방향이 될 것이다. 주축은 축소가 일어나도 변하지 않는다. 반면 회전이 일어나면 그에 따라 변한다. 주축은 크기 변환에 불변이지만 회전 변환에는 공변이다. 기술자는 불변이어야 한다. 여러..

1. 스케일 공간 2. SIFT 검출 SIFT는 성능이 뛰어나 현재 가장 널리 사용된다. 반복성이 여러 지역 특징들 중에서 최고 수준에 들어 있고, 계산 시간이 이전에 나온 지역 특징에 비해 빠르다.

특징을 어떻게 찾을 것인지에 대해 알아보자. 1. 모라벡 알고리즘 2. 해리스 코너 3. 2차 미분을 사용한 방법

1. 특징 검출의 역사 : 지역 특징의 대두 대응점 찾기 문제를 해결하려면 무엇을 특징점으로 쓸 것인지 결정하는 문제가 생긴다. 이 특징점은 영상의 다른 곳과 두드러지게 달라서 풍부한 정보를 추출할 수 있는 곳이어야 한다. 지역 특징은 에지에 의존하는 대신 명암 영상에서 직접 검출한다. 따라서 다른 곳과 두드러지게 다르고 풍부한 정보를 가진 위치를 찾는 정교한 연산자를 설계하는 일이 핵심이다. 이러한 방법을 지지한 사람들은 특징의 물리적 의미보다 반복성을 더 중요하게 보았다. 2. 지역 특징의 성질 지역 특징은 대략 정보로 구성된다. 검출 단계는 위치와 스케일, 기술 단계는 방향과 특징 벡터를 알아낸다. 특징 벡터를 추출하는 기술 단계는 불변이어야 한다. 매칭 알고리즘은 특징 벡터를 비교하여 비슷한 경우..

1. 허프 변환 2. RANSAC

컬러 영상에지를 검출하는 방법중 가장 쉬운 방법은 컬러를 명암으로 변환한 후 앞에서 공부했던 알고리즘을 적용하는 것이다. 많은 경우 이 방법을 사용하지만 응용에 따라 컬러의 풍부한 정보를 활용하여 더 나은 품질의 에지를 검출해야 하는 경우도 있다. RGB 영상에서 에지를 검출하는 쉬운 방법 중 하나는 각각의 채널에서 독립적으로 에지를 검출한 후, 그 결과를 하나로 결합하는 것이다.