Posts
yanz's blog
Cancel

cs131 lecture 11 Image Resizing-Seam Carving

如何保留重要的資訊又縮減尺寸,其中定義甚麼是重要,甚麼是不重要的影像資訊 Basie Idea 不重要的資訊代表影像梯度變化小的地方,定義一個energy function 使用梯度來作為energy function的原因: 邊界代表紋理資訊 人眼對edge比較敏感,平滑處就可以被視為不重要資訊 概念很簡單 左圖對整張影像濾除低能量pixel 中間對每行方...

cs131 lecture 11 Image Resizing-Image Retargeting Overview

影像調整大小在生活上隨處可見,如在不同的螢幕解析度下就必須對輸入的影像進行變化 但改變的同時常常造成比較重要的影像位置失去原先的樣貌特性 該節就開始探討在Resize的同時又可以保持重要的影像訊息 Content-aware Retargeting 上圖可以看到紅區域處是重要的資訊,若直接改變影像尺寸會造成人物的變形 若僅延展在影像中間處的雪地與天空區塊,就可以保留重要資訊 問...

cs131 lecture 10 Clustering- mean-shift clustering

論文名稱:Mean Shift, Mode Seeking, and Clustering 流程: 隨機初始化起點與視窗\(h\) 計算中心重心 移動搜索視窗到重心位置 重複步驟2~3直到收斂 重心計算公式: 其中\(x是輸入的資料集,x={x_1,x_2...x_k},x_i是第i個資料\) \(S_h是視窗半徑為h\)的區域 mean shift 演...

cs131 lecture 10 Clustering-K-means clustering

k means clustering 流程 隨機初始化群心\(c_1,...,c_K\)與迭代次數\(t\) 計算隸屬矩陣\(\delta^t\),得到新的分群結果 由分群結果更新群心 增加迭代次數\(t\),重複步驟2~4,直到到達設定停止條件(到達迭代次數上限或群心不在大幅變動) 參數定義: \(t\):迭代次數 \(K\):群數 \(N\):...

Efficient Graph-Based Image Segmentation

在stanford中的cs131課程提到的Graph-based segmentation,剛好介紹到這篇論文,就來研讀一下。 論文網址:Felzenszwalb, Pedro F., and Daniel P. Huttenlocher. “Efficient graph-based image segmentation.” International journal of comput...

cs131 lecture 9 Segmentation and Clustering-Agglomerative Clustering

影像分割目的 把屬於同一群的像素集合在一起 將想要做進一步分析的物件與背景分割出來,概念跟框選ROI相似,但是更精細的ROI,把非物件的不相干雜訊濾除 視覺上分群的範例 依照格式塔原則進行分類,以Gestalt為名的完形心理學,概念#是人類對於任何視覺圖像的認知,是一種經過知覺系統組織後的形態與輪廓,而並非所有各自獨立部份的集合。 其中格式塔原則的一些特點: Simila...

cs131 lecture 6 Feature Descriptors-HoG

另一種描述影像特徵的方法,HoG(Histogram of Oriented Gradients),方向梯度直方圖 特徵描述子 HoG簡介 局部的物件外觀與形狀經常由局部亮度梯度或邊緣方向顯現出來,因此透過局部梯度資訊建立一個梯度角度直方圖的特徵 HoG流程 把影像切分成多個小區塊(稱為cells),cells的形狀可以是矩形或圓形,每個cell累加梯度方向的局部直方圖 把ce...

cs131 lecture 6 Feature Descriptors-SIFT

我們在上一回找到了角點,但如何利用關鍵點的周圍資訊,來讓彼此匹配,也許可以把角點周圍的像素區塊取出來匹配,但如果遇到兩張影像角度不同時如何匹配? SIFT descriptor(SIFT=Scale-Invariant Feature Transform) 建構一個旋轉不變性描述子 從DoG得到一個帶有尺度不變性的關鍵點 從關鍵點周圍資訊找出特徵角度(不直接旋轉個別影像區塊進行匹...

cs131 lecture 6 Feature Descriptors-Laplacian & DoG

問題 Harris corner 沒有尺度不變性 在不同尺度下所呈現的角點響應函數都不同,Image 1的最小圓圈範圍是跟Image 2最大圓圈範圍才會有相同的角點結果 解決方法 希望能設計一個scale invariant detection function可以讓每張影像都找得到一個穩定的尖峰,才能在多尺度搜尋時找到相同的結果 Scale Invariant Detect...

cs131 lecture 5 Features And Fitting-Local Invariant Features & Harris Corner

使用特徵點來尋找物件、定位、全景拼接 使用Local Invariant Features動機 全局特徵有它的限制性 增強對遮擋、角度變化的魯棒性 常見的方法 找到多個獨特的關鍵點 定義一個window大小把key points的的周圍資訊取出來 提取周圍資訊並做正規化 計算正規化區域的局部描述子,例如使用區域色彩資訊 匹配局部描述子 好的Local...