Processamento de imagens capturadas para algoritmos de Visão Computacional Curso de Visão...
Transcript of Processamento de imagens capturadas para algoritmos de Visão Computacional Curso de Visão...
Processamento de imagens capturadas para algoritmos de
Visão Computacional
Curso de Visão Computacional
Marcelo Gattass
2009.2
Resumo
• Motivação (aplicações)• Requisitos• Deteção de pontos e arestas
– Analise da variação local– Deteção de arestas
• Sobel e
– Deteção de pontos• Haris• SHIFT
object instance recognition (matching)
David Lowe
Motivação
Slide Set 12: Face Detection/Viola-Jones 4CS 175, Fall 2007: Professor Padhraic Smyth
Sample results using the Viola-Jones Detector
• Notice detection at multiple scales
Motivação
Slide Set 12: Face Detection/Viola-Jones 5CS 175, Fall 2007: Professor Padhraic Smyth
Small set of 111 Training Images
Motivação
How do we build panorama?
• We need to match (align) images
Darya Frolova, Denis Simakov, The Weizmann Institute of Science, 2004
Motivação
Matching with Features
•Detect feature points in both images
Darya Frolova, Denis Simakov, The Weizmann Institute of Science, 2004
Motivação
Matching with Features
•Detect feature points in both images
•Find corresponding pairs
Darya Frolova, Denis Simakov, The Weizmann Institute of Science, 2004
Motivação
Matching with Features
•Detect feature points in both images
•Find corresponding pairs
•Use these pairs to align images
Motivação
Matching with Features
• Problem 1:– Detect the same point independently in both
images
no chance to match!
We need a repeatable detectorDarya Frolova, Denis Simakov, The Weizmann Institute of Science, 2004
Motivação
Matching with Features
• Problem 2:– For each point correctly recognize the
corresponding one
?
We need a reliable and distinctive descriptor
Darya Frolova, Denis Simakov, The Weizmann Institute of Science, 2004
Motivação
Example: Build a Panorama
M. Brown and D. G. Lowe. Recognising Panoramas. ICCV 2003
Motivação
Photosynth
Motivação
Busca de padrões geométricos
http://www.tecgraf.puc-rio.br/~mgattass/ra/trb05/T1-VirtualOnReal/MauricioFerreira_DiogoCarneiro_CarlosEduardoLara/
Mauricio Ferreira, Diogo Carneiro e Carlos Eduardo Lara Visão 2005
Motivação
Requisitos
Uma caracteristica deve ser robusta o suficiente para continuar se destacando mesmo quando a cena é capturada em
diferentes condições
Types of invariance
Illumination
Tom Duerig
Requisitos
Types of invariance
Illumination Scale
Tom Duerig
Requisitos
Types of invariance
Illumination Scale Rotation
Tom Duerig
Requisitos
Types of invariance
Illumination Scale Rotation Affine
Tom Duerig
Requisitos
Types of invariance
Illumination Scale Rotation Affine Full Perspective
Tom Duerig
Requisitos
Tipos de características de uma imagem
• Globais: histograma, conteúdo de freqüências, etc...
• Locais: regiões com determinada propriedade, arestas, cantos, curvas, etc...
Análise local
Modelo Matemático: Função
u
v
L
L(u,v)
Função
0%
20%
40%
60%
80%
100%
Nív
eis
de c
inza
Posição ao longo da linha x
C 2,0,0: hwL
Lv
u
Análise local
Derivadas direcionais
y
n
y
f
x
n
x
f
n
f
x
y
f(x,y)
y
x
n
nn
h
pfnhpf
n
pfh
)()(lim
)(0
yx ny
fn
x
f
n
f
nfn
f
y
xyx n
n
y
f
x
f
y
fx
f
nnn
f
n
f
n
f
2
Análise local
Norma da derivada
y
xyx n
n
y
f
x
f
y
fx
f
nnn
f2
y
xyx n
n
y
f
y
f
x
f
y
fy
f
x
f
x
f
x
f
nnn
f2
simétrican
f t SSxx ,02
Análise local
Mínimo de formas quadráticas de matrizes simétricas positivas definidas
xAx IxAx 0xIA
0
0
y
x
cb
ba
212 ,00det
CBA
cb
ba
0
ii
i
i
cb
ba
,0
0
Análise local
Autovetores e autovalores de matrizes simétricas positivas definidas
iiT
iiTi i A 0iiii A
111 A
222 A
12112 TT A
21221 TT A212121 TT
0)( 1221 T 012 T
Análise local
Minimização como um problema de autovalores
x
y
12
21 '' yxyx jip
'
'
0
0''
2
1
y
xyxT
xAx
22
21 )'()'()','( yxyxf
1)'()'( 22 yx
p
x'y'
mínimo
221121 '')(')(')( yxTyTxT p
Análise local
Teorema Espectral (Teorema dos Eixos Principais)
Toda matriz simétrica S (S = ST ) pode ser fatorada em: TQQQQ ΛΛS 1
- matriz diagonal real
Q – matriz ortogonal, formada pelos autovetores de S
MMachado
Análise local
Estimando Orientação Local em Imagens
n
n
iii
nn
n
T
TTTT
yJ
y
y
yyJ
QQQJ
...
0
0
21
1
2
11
1
uyΛyyuΛuSuu
J é máximo se y só tem componente na direção do
autovetor de maior autovalor
Mudança de base por rotação
Usando o Teorema Espectral no problema de orientação:
MMachado
Análise local
Identificando Estruturas Lineares com PCA
Problema. Dados os vetores v1,...,vk, em N dimensões, estimar a orientação média quando o sinal de vi é ignorado.
Solução. A orientação média é dada pelo eixo principal da matriz
k
i yyx
yxxTii
fff
fff
12
2
vvSMMachado
Análise local
Matriz de Variância-Covariância
M
XXM
ijij
j
1
2
2
1COV 1
M
XXXXM
i
kikjij
jk
Matriz de Variância-
Covariância
221
2221
1122
1
NNN
N
COVCOV
COV
COVCOV
S
N variáveisM observações
Variância
Covariância
MMachado
Análise local
PCA
maximiza a variância
minimiza a variância
Maior Componente
Principal
Menor Componente
Principal
X1
X2
21
1
21
2
MarcoMachado
Análise local
PCA
• Variância total = soma das variâncias
• Variância total = traço de S
•
• Eixos principais também representam a variância total do conjunto de dados.– Primeiro eixo: 1/traço(S)– Segundo eixo: 2/traço(S)
N
ii
N
ii
11
2tr S
MarcoMachado
Análise local
Estimando Orientação Local em Imagens
• Interpretação dos Autovalores 1=0, 2=0
• Intensidade constante, • sem estrutura
1>0, 2=0• Estrutura linear (invariante por deslocamento em uma única
direção) 1>0, 2>0
• A estrutura desvia do modelo de estrutura linear– Ruído– Curvatura– Múltiplas orientações
1=2
– Estrutura isotrópica
Análise local
Comportamento local: Classificação
1
2
“Corner”1 e 2 são grandes,
1 ~ 2;
aumenta em todas as direções
1 e 2 são pequenos;
Quase constante em “Edge” 1 >> 2
“Edge” 2 >> 1
“Flat”
Análise local
Detecção de arestas
1 > 2
Operadores clássicoss
Prewitt’s
11
11
11
1
1
11
Suaviza Diferencia
101
101
101
111
000
111
111
111
Arestas
Openadores clássicos
Sobel’s
11
22
11
1
1
11
SuavizaDiferencia
101
202
101
121
000
121
121
121
Arestas
Detector de arestas
I
22
I
dy
dI
dx
d
100 Threshold
Arestas
Quality of an Edge Detector
• Robustness to Noise• Localization• Too Many/Too less Responses
Poor robustness to noise Poor localization Too many responses
True Edge
Khurram Hassan-Shafique
Arestas
Canny Edge Detector
• Criterion 1: Good Detection: The optimal detector must minimize the probability of false positives as well as false negatives.
• Criterion 2: Good Localization: The edges detected must be as close as possible to the true edges.
• Single Response Constraint: The detector must return one point only for each edge point.
Khurram Hassan-Shafique
Arestas
Hai Tao
Arestas
The result– General form of the filter (N.B. the filter is odd so h(x) = -h(-x) the
following expression is for x < 0 only)
h x e a x a x e a x a xx x( ) ( sin cos ) ( sin cos ) / 1 2 3 4 1 2
2 05220
2 91540
156939
.
.
.
a
a
a
a
1
2
3
4
1
01486768717
0 2087553476
1244653939
0 7912446531
2
.
.
.
.
Camillo J. Taylor
Arestas
Approximation– Canny’s filter can be approximated by the derivative of a Gaussian
h xd
dxe
xe
x x
( ) ( )
2
2
2
222
2
Camillo J. Taylor
Derivative of GaussianCanny
Arestas
Canny Edge Detector
• Convolution with derivative of Gaussian
• Non-maximum Suppression
• Hysteresis Thresholding
Khurram Hassan-Shafique
Arestas
Algorithm Canny_Enhancer• Smooth by Gaussian
IGS * 2
22
2
2
1
yx
eG
Tyx
T
SSSy
Sx
S
22yx SSS
x
y
S
S1tan Khurram Hassan-Shafique
• Compute x and y derivatives
• Compute gradient magnitude and orientation
Arestas
Canny Edge Operator
IGIGS ** T
y
G
x
GG
T
Iy
GI
x
GS
**
Khurram Hassan-Shafique
Arestas
Canny Edge Detector
xS
yS
I
Khurram Hassan-Shafique
Arestas
Canny Edge Detector
I
22yx SSS
25 ThresholdS
Khurram Hassan-Shafique
Arestas
We wish to mark points along the curve where the magnitude is biggest.We can do this by looking for a maximum along a slice normal to the curve(non-maximum suppression). These points should form a curve. There arethen two algorithmic issues: at which point is the maximum, and where is thenext one?
Algorithm Non-Maximum Suppression
Khurram Hassan-Shafique
Arestas
Non-Maximum Suppression
• Suppress the pixels in ‘Gradient Magnitude Image’ which are not local maximum
edgean tonormaldirection thealong
in of neighbors theare and Sx,yy,xy,x
otherwise0,,&
,, if,
, yxSyxS
yxSyxSyxS
yxM
yx ,
yx,
yx ,
Khurram Hassan-Shafique
Arestas
Non-Maximum Suppression
0
12
3
41420tan41422- :3
41422tan :2
41422tan41420 :1
41420tan41420 :0
.θ.
.θ
.θ.
.θ.-
x
y
S
Sθ tan
Khurram Hassan-Shafique
Arestas
Non-Maximum Suppression
22yx SSS M
25ThresholdM
Khurram Hassan-Shafique
Arestas
Hysteresis Thresholding
Khurram Hassan-Shafique
Arestas
Hysteresis Thresholding
• If the gradient at a pixel is above ‘High’, declare it an ‘edge pixel’
• If the gradient at a pixel is below ‘Low’, declare it a ‘non-edge-pixel’
• If the gradient at a pixel is between ‘Low’ and ‘High’ then declare it an ‘edge pixel’ if and only if it is connected to an ‘edge pixel’ directly or via pixels between ‘Low’ and ‘ High’
Khurram Hassan-Shafique
Arestas
Hysteresis Thresholding
M 25ThresholdM
15
35
Low
High
Khurram Hassan-Shafique
Arestas
Resultado de algoritmo de histerese
Arestas
Subpixel Localization– One can try to further localize the position of the edge within a pixel by
analyzing the response to the edge enhancement filter
– One common approach is to fit a quadratic polynomial to the filter response in the region of a maxima and compute the true maximum.
a
bx
yyya
yyb
cbay
cbay
cy
cbxaxxy
2
);0())1()1((2
1
));1()1((2
1
)1(
;)1(
;)0(
)(
max
2
0 1-1
Arestas
Segmentos de reta longos
Um caso especial
Segmentos retos longos
Hough Transform
• There are three problems in model fitting– Given the points that belong to a line, what is the line?– Which points belong to which line?– How many lines are there?
• Hough transform is a technique for these problems– The basic idea is to record all the models on which
each point lies and then look for models that get many votes
Segmentos retos longos
Hough Transform – cont.
• Straight line case– Consider a single isolated edge point (xi, yi)
• There are an infinite number of lines that could pass through the points
– Each of these lines can be characterized by some particular equation
cmxy ii
Segmentos retos longos
Hough Transform – cont.
cmxy ii )()( ii ymxc
x
y
m
c
Segmentos retos longos
Hough Transform – cont.
m
c
m
c
ponto de maior contribuição
Segmentos retos longos
Hough Transform – cont.
Segmentos retos longos
Hough Transform – cont.
• Hough transform algorithm1. Find all of the desired feature points in the image
2. For each feature point
For each possibility i in the accumulator that passes through the feature point
Increment that position in the accumulator
3. Find local maxima in the accumulator
4. If desired, map each maximum in the accumulator back to image space
Segmentos retos longos
Hough Transform – cont.
sincos ii yx
x
y
22 hw 0
cmxy ii m e c [- +]
Segmentos retos longos
Hough Transform – cont.
x
y
Segmentos retos longos
Hough Transform – cont.
x
y
Segmentos retos longos
Transformada de Hough
Segmentos retos longos
Transformada de Hough
Segmentos retos longos
Busca de linhas longas no campo
Outro enfoque: tese de Flávio Szenberg: Juiz Virtual
Segmentos retos longos
Modelos
F1
F6 F2
F3
F4
F5 F7
F8 F9
F1
F6
F2
F3
F4
F5
F8
F7
F9
Os modelos utilizados na tese:
Modelo de um campo de futebol
Modelo sem simetria
Segmentos retos longos
Filtragem para realce de linhas O filtro Laplaciano da Gaussiana (LoG) é aplicado à
imagem, baseado na luminância.
010
141
010
121
242
121
16
1
filtro gaussiano
filtro laplaciano
Segmentos retos longos
Filtragem para realce de linhas Problemas com linhas duplas
Segmentos retos longos
Filtragem para realce de linhas A transformação negativa é aplicada entre o cálculo da
luminância e o filtro LoG.
Segmentos retos longos
Filtragem para realce de linhas Resultado de uma segmentação (threshold) feita na
imagem filtrada.
(em negativo para visualizar melhor)
Segmentos retos longos
Extração de segmentos de retas longos
O objetivo é localizar segmentos de retas longos candidatos a serem linhas da imagem do modelo.
O procedimento é dividido em dois passos:
1. Eliminação de pontos que não estão sobre nenhum segmento de reta.
2. Determinação de segmentos de retas.
Segmentos retos longos
Eliminando pontos que não estão sobre um segmento de reta
A imagem é dividida, por uma grade regular, em células retangulares.
Segmentos retos longos
Eliminando pontos que não estão sobre um segmento de reta
Para cada célula, os autovalores 1 e 2 (1 2) da matriz de covariância, dada abaixo, são calculados.
Se 2 = 0 ou 1/ 2 > M (dado) então
o autovetor de 1 é a direção predominante
senão
a célula não tem uma direção predominante
n
ii
n
iii
n
iii
n
ii
vvvvuu
vvuuuu
n
1
2
1
11
2
1
1
2
vu ,
Segmentos retos longos
Eliminando pontos que não estão sobre um segmento de reta
Podemos atribuir pesos i aos pontos (resultado do LoG).
n
ii
n
iii
n
iii
n
ii
vvvvuu
vvuuuu
n
1
2
1
11
2
1
n
iii
n
iiii
n
iiii
n
iii
n
ii vvvvuu
vvuuuu
1
2
1
11
2
1
1
Segmentos retos longos
Eliminando pontos que não estão sobre um segmento de reta
Células com pontos formando segmentos de retas:
Segmentos retos longos
Determinando segmentos de reta
As células são percorridas de modo que as linhas são processadas de baixo para cima e as células em cada coluna são processadas da esquerda para direita. Um valor é dado para cada célula: Se não existe uma direção predominate na célula, o valor é zero. Caso contrário, verifica-se os três vizinhos abaixo e o vizinho à
esquerda da célula corrente. Se algum deles tem uma direção predominante similar ao da célula corrente, quando unidos, então a célula corrente recebe o valor da célula que tem a direção mais similar; senão, um novo valor é usado para a célula corrente.
Segmentos retos longos
Determinando segmentos de reta São formados grupos com células de mesmo valor,
representados na figura abaixo por cores distintas.
Segmentos retos longos
Extração de segmentos de retaCada grupo fornece um segmento de reta.
A reta de equação v=au+b é encontrada por método de mínimos quadrados:
O segmento é obtido limitando a reta pela caixa envoltória dos pontos usados.
n
iii
n
iiii
n
ii
n
iii
n
iii
n
iii
v
vu
u
uu
b
a
1
1
1
11
11
2
v
u
Segmentos retos longos
Extração de segmentos de retaOs segmentos de reta que estão sobre a mesma reta suporte são unidos, formando segmentos longos, usando mínimos quadrados.
No final do processo, tem-se um conjunto de segmentos de reta.
a
b
c
d
e
f
f1
f2f3
f4
f5
f6
f7
Segmentos retos longos
Extração de segmentos de retaSobrepondo as linhas extraída na imagem, temos o seguinte resultado:
Segmentos retos longos
Reconhecimento dos segmentos
A partir do conjunto de segmentos, as linhas do modelo são detectadas e o modelo reconhecido [Grimson90].
Método baseado na Transformada de Hough.
Método de reconhecimento baseado em modelo.
• Conjunto de restrições
Segmentos retos longos
Reconhecimento dos segmentos
F1 F7 F6F5F4F3F2
f1:
f2:
F1
F6F2
F3
F4
F5 F7
Modelo
F1 F7 F6F5F4F3F2 F1 F7 F6F5F4F3F2 F1 F7 F6F5F4F3F2F1 F7 F6F5F4F3F2 F1 F7 F6F5F4F3F2 F1 F7 F6F5F4F3F2 F1 F7 F6F5F4F3F2 F1 F7 F6F5F4F3F2
Árvore de Interpretaçãof1
f2f3
f4
f5
f6
f7
Visualização
Método de Reconhecimento baseado em Modelo
Segmentos retos longos
O nó {f1: F1, f2:F6 , f3:F3} é discardado por que viola a restrição:
A linha representante de F6 deve estar entres as linhas que
representam F1 e F3, na visualização.F1 F7 F6F5F4F3F2
F1 F7 F6F5F4F3F2
f1:
f2:
Árvore de Interpretação
F1 F7 F6F5F4F3F2 F1 F7 F6F5F4F3F2 F1 F7 F6F5F4F3F2F1 F7 F6F5F4F3F2 F1 F7 F6F5F4F3F2 F1 F7 F6F5F4F3F2 F1 F7 F6F5F4F3F2 F1 F7 F6F5F4F3F2
f3:
Reconhecimento dos segmentosDiscardando nós
F1
F6F2
F3
F4
F5 F7
Modelo
f1
f2
f3
f4
f5
Visualização
f6
f7
Segmentos retos longos
Reconhecimento dos segmentosProblema relacionado com a perspectiva
2
1222
122
1222
12
12122
1212
)()()()(
))(())((
vvuuvvuu
vvvvuuuu
ttttssss
ttssttss
8.01
21
Segmentos retos longos
Reconhecimento dos segmentosProblema relacionado com a perspectiva
f1
f2
f3
Segmentos retos longos
Reconhecimento dos segmentosEscolhendo a melhor solução
F1
F6F2
F3
F4
F5 F7
Modelo
• Em geral, existem diversas interpretações possíveis;
• Escolhemos a interpretação onde a soma dos comprimentos dos segmentos representativos é máxima.
f1 : F4 f2 : F3 f3 : f4 : f5 : F6 f6 : F7 f7 : F1 Vencedor
f1
f2f3
f4
f5
f6
f7
Visualização
f1 : F4 f2 : f3 : f4 : F3 f5 : F6 f6 : F7 f7 : F1
Segmentos retos longos
f1 : F2 f2 : F3 f3 : f4 : f5 : F6 f6 : F5 f7 : F1
f1 : F4 f2 : F3 f3 : f4 : f5 : F6 f6 : F7 f7 : F1
f1
f2f3
f4
f5
f6
f7
Visualização
Reconhecimento dos segmentos
F1
F6F2
F3
F4
F5 F7
ModeloResultado final
F7
F1
F6F2
F3
F4
F5
Modelo
ou
Segmentos retos longos
Cálculo da transformação projetiva planar
Uma transformação projetiva planar H (homografia) correspondente às linhas reconhecidas é encontrada (usando pontos de interseção e pontos de fuga como pontos de referência).
Modelo reconstruído
H
pontos de interseção
pontos de fuga
Segmentos retos longos
Detector de cantos
Comportamento local: Classificação
1
2
“Corner”1 e 2 são grandes,
1 ~ 2;
aumenta em todas as direções
1 e 2 são pequenos;
Quase constante em “Edge” 1 >> 2
“Edge” 2 >> 1
“Flat”
Cantos
Harris Detector: Mathematics
Measure of corner response:
2det traceR M k M
1 2
1 2
det
trace
M
M
(k – empirical constant, k = 0.04-0.06)
Cantos
Harris Detector: Mathematics
2
• R depends only on eigenvalues of M
• R is large for a corner
• R is negative with large magnitude for an edge
• |R| is small for a flat region
1
“Corner”
“Edge”
“Edge”
“Flat”
R > 0
R < 0
R < 0|R| small
Cantos
Algoritmo
• Comparação dos gráficos
1
“Corner”
“Edge”
“Edge”
“Flat”
R > 0
R < 0
R < 0|R| small
2
2det traceR M k M
Cantos
Algoritmo
• Comparação dos gráficos
1
“Corner”
“Edge”
“Edge”
“Flat”
R > 0
R < 0
R < 0|R| small
2
2det traceR M k M
Cantos
Algoritmo
• Comparação dos gráficos
1
“Corner”
“Edge”
“Edge”
“Flat”
R > 0
R < 0
R < 0|R| small
2
2det traceR M k M
Cantos
Harris Detector
• The Algorithm:– Find points with large corner response
function R (R > threshold)– Take the points of local maxima of R
Cantos
Harris Detector: WorkflowCantos
Harris Detector: WorkflowCompute corner response R
Cantos
Harris Detector: WorkflowFind points with large corner response: R>threshold
Cantos
Harris Detector: WorkflowTake only the points of local maxima of R
Cantos
Harris Detector: WorkflowCantos
Example: Gradient Covariances
Full imageDetail of image with gradient covar-
iance ellipses for 3 x 3 windows
from Forsyth & Ponce
Corners are where both eigenvalues are big
Cantos
Example: Corner Detection (for camera calibration)
courtesy of B. Wilburn
Cantos
Example: Corner Detection
courtesy of S. Smith
SUSAN corners
Cantos
Harris Detector: Summary
• Average intensity change in direction [u,v] can be expressed as a bilinear form:
• Describe a point in terms of eigenvalues of M:measure of corner response
• A good (corner) point should have a large intensity change in all directions, i.e. R should be large positive
( , ) ,u
E u v u v Mv
21 2 1 2R k
Cantos
Harris Detector: Some Properties
• Rotation invariance
Ellipse rotates but its shape (i.e. eigenvalues) remains the same
Corner response R is invariant to image rotation
Cantos
Harris Detector: Some Properties
• Partial invariance to affine intensity change
Only derivatives are used => invariance to intensity shift I I + b
Intensity scale: I a I
R
x (image coordinate)
threshold
R
x (image coordinate)
Cantos
Harris Detector: Some Properties
• But: non-invariant to image scale!
All points will be classified as edges
Corner !
Cantos
Harris Detector: Some Properties
• Quality of Harris detector for different scale changes
Repeatability rate:# correspondences
# possible correspondences
C.Schmid et.al. “Evaluation of Interest Point Detectors”. IJCV 2000
Cantos
SIFT (Scale Invariant Feature Transform)
SIFT
SIFT stages:
• Scale-space extrema detection• Keypoint localization• Orientation assignment• Keypoint descriptor
( )local descriptor
detector
descriptor
A 500x500 image gives about 2000 features
matching
SIFT
1. Detection of scale-space extrema• For scale invariance, search for stable
features across all possible scales using a continuous function of scale, scale space.
• SIFT uses DoG filter for scale space because it is efficient and as stable as scale-normalized Laplacian of Gaussian.
SIFT
Scale space doubles for the next octave
K=2(1/s)
SIFT
Detection of scale-space extremaSIFT
Keypoint localization
X is selected if it is larger or smaller than all 26 neighbors
Pontos
2. Accurate keypoint localization
• Reject points with low contrast and poorly localized along an edge
• Fit a 3D quadratic function for sub-pixel maxima
SIFT
Accurate keypoint localization
• Change sample point if offset is larger than 0.5
• Throw out low contrast (<0.03)
SIFT
Eliminating edge responses
r=10
Let
Keep the points with
SIFT
Maxima in DSIFT
Remove low contrast and edgesSIFT
3. Orientation assignment
• By assigning a consistent orientation, the keypoint descriptor can be orientation invariant.
• For a keypoint, L is the image with the closest scale,
orientation histogram
SIFT
Orientation assignmentSIFT
Orientation assignmentSIFT
Orientation assignmentSIFT
Orientation assignmentSIFT
SIFT descriptorSIFT
4. Local image descriptor• Thresholded image gradients are sampled over
16x16 array of locations in scale space• Create array of orientation histograms (w.r.t. key
orientation)• 8 orientations x 4x4 histogram array = 128
dimensions• Normalized, clip values larger than 0.2,
renormalize
σ=0.5*width
SIFT
FIM