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...

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...

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...

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 \(N\)：...

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...

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...

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...

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...

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...

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...