تشخیص ویژگیها در پردازش تصویر
تشخیص ویژگی (به انگلیسی: Feature detection) یک فرآیند اساسی در پردازش تصویر است که نقش مهمی در برنامه های مختلف بینایی کامپیوتر ایفا می کند. تشخیص ویژگی فرآیند شناسایی نقاط یا مناطق خاص در یک تصویر است که منحصر به فرد هستند و می توان از آنها برای توصیف محتوای تصویر استفاده کرد.این نقاط یا مناطق که به عنوان ویژگی ها شناخته می شوند می تواند شامل لبه ها، گوشه ها، حباب ها یا هر ساختار قابل تشخیص دیگری در یک تصویر باشد. این ویژگی ها معمولاً برای استخراج اطلاعات از یک تصویر و انجام کارهایی مانند تشخیص اشیا، تطبیق تصویر و بازسازی سه بعدی استفاده می شوند.
چرا تشخیص ویژگیها اهمیت دارند؟[ویرایش]
تصاویر حاوی حجم وسیعی از اطلاعات هستند و تشخیص ویژگی به استخراج و تجزیه و تحلیل آن اطلاعات کمک می‌کند. تکنیک‌های تشخیص ویژگی برای مکان‌یابی نقاط یا مناطق خاص در یک تصویر استفاده می‌شود که برای شناسایی اشیا یا الگوهای موجود در تصویر استفاده می‌شود. تشخیص ویژگی یک فرآیند ضروری در بینایی کامپیوتر است و در کاربردهای مختلفی مانند تشخیص چهره، ماشین‌های خودران و روباتیک استفاده می‌شود[۱] [۲][۳].
تکنیک‌های مختلف تشخیص ویژگی[ویرایش]
چندین تکنیک برای تشخیص ویژگی در پردازش تصویر استفاده می شود. این تکنیک ها را می توان به طور کلی به دو دسته طبقه‌بندی کرد: ویژگی های مبتنی بر نقطه و ویژگی های مبتنی بر منطقه.
ویژگی‌های مبتنی بر نقطه[پانویس ۱][ویرایش]
ویژگی‌های مبتنی بر نقطه با موقعیت آنها در تصویر مشخص می‌شوند و معمولاً با ویژگی‌های منحصر به فرد آنها مانند گوشه‌ها، لبه‌ها و حباب‌ها مشخص می‌شوند. در اینجا برخی از رایج‌ترین تکنیک‌های تشخیص ویژگی مبتنی بر نقطه آورده شده است:
تشخیص گوشه هریس[پانویس ۲][ویرایش]
تشخیص گوشه هریس یک تکنیک محبوب است که برای شناسایی گوشه ها در یک تصویر استفاده می شود. این بر اساس مشاهده است که مناطق گوشه‌ای دارای تنوع بالایی در شدت زمانی هستند که تصویر به هر جهتی جابجا می‌شود. این تکنیک برای شناسایی گوشه ها با محاسبه گرادیان تصویر و سپس محاسبه تابع پاسخ گوشه برای هر پیکسل استفاده می شود.این الگوریتم اولین بار توسط کریس هریس و مایک استفنز در سال 1988 پس از بهبود آشکارساز گوشه ای Moravec معرفی شد.[۴] در مقایسه با مدل قبلی خود، آشکارساز گوشه هریس به جای استفاده از تکه‌های جابجایی برای هر زاویه 45 درجه، تفاوت امتیاز گوشه را مستقیماً با اشاره به جهت در نظر می‌گیرد و ثابت شده است که در تشخیص لبه‌ها و گوشه‌ها دقیق‌تر است[۵]. از آن زمان، این الگوریتم در بسیاری از الگوریتم‌ها برای پیش‌پردازش تصاویر برای کاربردهای بعدی، بهبود یافته و مورد استفاده قرار گرفته است.
تبدیل ویژگی ثابت[پانویس ۳][ویرایش]
SIFT یک الگوریتم تشخیص ویژگی است که برای شناسایی نقاط مورد نظر در یک تصویر استفاده می شود. برای استخراج ویژگی هایی استفاده می شود که نسبت به مقیاس، چرخش و ترجمه ثابت هستند. الگوریتم SIFT با شناسایی نقاط کلیدی در یک تصویر و محاسبه یک توصیفگر برای هر نقطه کلیدی بر اساس گرادیان محلی، کار می کند[۶].
افزایش سرعت ویژگی های قوی [پانویس ۴][ویرایش]
SURF یک الگوریتم تشخیص ویژگی است که برای استخراج ویژگی های قوی و متغیر در مقیاس در یک تصویر استفاده می شود. الگوریتم SURF با شناسایی نقاط مورد نظر در تصویر و محاسبه یک توصیفگر برای هر نقطه بر اساس گرادیان محلی، کار می کند[۷].
ویژگی‌های مبتنی بر منطقه [پانویس ۵][ویرایش]
ویژگی های منطقه محور با شکل و بافت مشخص می شوند و معمولاً با ویژگی های منحصر به فرد آنها مانند بافت، رنگ و شکل مشخص می شوند[۸]. در اینجا برخی از رایج ترین تکنیک های تشخیص ویژگی مبتنی بر منطقه آورده شده است:
هیستوگرام گرادیان های جهت دار (HOG) [پانویس ۶][ویرایش]
تکنیک HOG برای شناسایی اشیاء در یک تصویر بر اساس شکل و بافت آنها استفاده می شود. با محاسبه جهت گرادیان تصویر و سپس تقسیم تصویر به سلول ها کار می کند. جهت گیری گرادیان پس از آن است در هر سلول جمع شده و هیستوگرام تشکیل می دهد. سپس توصیفگر HOG بر اساس هیستوگرام ها محاسبه می شود.
الگوهای باینری محلی (LBP) [پانویس ۷][ویرایش]
تکنیک LBP برای شناسایی اشیاء در یک تصویر بر اساس بافت آنها استفاده می شود. با تقسیم تصویر به سلول ها و محاسبه یک الگوی باینری برای هر پیکسل در سلول کار می کند. سپس الگوهای باینری در هر سلول جمع می شوند تا یک هیستوگرام را تشکیل دهند. سپس توصیفگر LBP بر اساس هیستوگرام ها محاسبه می شود[۹].
کاربردهای تشخیص ویژگیها[ویرایش]
تشخیص ویژگی در بینایی کامپیوتری کاربردهای مختلفی دارد مانند:
تشخیص اشیا [پانویس ۸][ویرایش]
تشخیص اشیا فرآیند شناسایی اشیاء در یک تصویر یا ویدئو است. تشخیص ویژگی برای استخراج ویژگی ها از تصویر و تطبیق آنها با پایگاه داده ای از اشیاء شناخته شده استفاده می شود.
تطبیق تصویر[پانویس ۹][ویرایش]
تطبیق تصویر فرآیند یافتن تصاویر مشابه در پایگاه داده است. تشخیص ویژگی برای استخراج ویژگی ها از تصاویر و مقایسه آنها با پایگاه داده تصاویر شناخته شده استفاده می شود.
بازسازی سه‌بعدی[پانویس ۱۰][ویرایش]
بازسازی سه بعدی فرآیند ایجاد یک مدل سه بعدی از یک شی یا صحنه از تصاویر دو بعدی است. تشخیص ویژگی برای استخراج ویژگیها از چندین تصویر از شی یا صحنه و سپس تطبیق آنها برای ایجاد یک مدل سه بعدی استفاده می‌شود.
واقعیت افزوده [پانویس ۱۱][ویرایش]
واقعیت افزوده (AR) فرآیند همپوشانی اشیاء مجازی در فرای دنیای واقعی است. تشخیص ویژگی برای شناسایی نقاط یا مناطق خاص در دنیای واقعی و سپس پوشاندن اشیاء مجازی در فرای آنها استفاده می شود.
رباتیک[پانویس ۱۲][ویرایش]
در رباتیک، تشخیص ویژگی برای شناسایی اشیاء در محیط و هدایت ربات در اطراف آنها استفاده می شود. به عنوان مثال، یک ربات ممکن است از تشخیص ویژگی برای شناسایی یک شی در محیط استفاده کند و سپس فاصله و جهت آن را از ربات محاسبه کند.
نتیجه‌گیری[ویرایش]
در نتیجه، تشخیص ویژگی یک فرآیند حیاتی در پردازش تصویر و بینایی کامپیوتری است. تکنیک های مختلفی برای تشخیص ویژگی استفاده می شود، از جمله تکنیک های مبتنی بر نقطه و مبتنی بر منطقه. این تکنیک ها در کاربردهای مختلفی مانند تشخیص اشیا، تطبیق تصویر، بازسازی سه بعدی، واقعیت افزوده و روباتیک استفاده می شوند. درک تشخیص ویژگی و کاربردهای آن برای هر کسی که در زمینه بینایی کامپیوتر و پردازش تصویر کار می کند ضروری است.
پانویس[ویرایش]
- ↑ Point-Based Features
- ↑ Harris Corner Detection
- ↑ Scale-Invariant Feature Transform (SIFT)
- ↑ Speeded Up Robust Features (SURF)
- ↑ Region-Based Features
- ↑ Histogram of Oriented Gradients (HOG)
- ↑ Local Binary Patterns (LBP)
- ↑ Object Recognition
- ↑ Image Matching
- ↑ 3D Reconstruction
- ↑ Augmented Reality
- ↑ Robotics
منابع[ویرایش]
This article "تشخیص ویژگیها در پردازش تصویر" is from Wikipedia. The list of its authors can be seen in its historical and/or the page Edithistory:تشخیص ویژگیها در پردازش تصویر. Articles copied from Draft Namespace on Wikipedia could be seen on the Draft Namespace of Wikipedia and not main one.
- ↑ Malik, A., Kuribayashi, M., Abdullahi, S. M., & Khan, A. N. (2022). DeepFake detection for human face images and videos: A survey. IEEE Access, 10, 18757-18775.
- ↑ Wiederer, J., Bouazizi, A., Troina, M., Kressel, U., & Belagiannis, V. (2022, January). Anomaly detection in multi-agent trajectories for automated driving. In Conference on Robot Learning (pp. 1223-1233). PMLR.
- ↑ Song, K., Wang, J., Bao, Y., Huang, L., & Yan, Y. (2022). A novel visible-depth-thermal image dataset of salient object detection for robotic visual perception. IEEE/ASME Transactions on Mechatronics.
- ↑ Chris Harris and Mike Stephens (1988). "A Combined Corner and Edge Detector". Alvey Vision Conference. Vol. 15.
- ↑ Dey, Nilanjan; et al. (2012). "A Comparative Study between Moravec and Harris Corner Detection of Noisy Images Using Adaptive Wavelet Thresholding Technique". arXiv:1209.1558 [cs.CV].
- ↑ https://www.sciencedirect.com/science/article/pii/B9780128149720000060
- ↑ Bay, H., Tuytelaars, T., Van Gool, L. (2006). SURF: Speeded Up Robust Features. In: Leonardis, A., Bischof, H., Pinz, A. (eds) Computer Vision – ECCV 2006. ECCV 2006. Lecture Notes in Computer Science, vol 3951. Springer, Berlin, Heidelberg. https://doi.org/10.1007/11744023_32
- ↑ Gould, S., Gao, T., & Koller, D. (2009). Region-based segmentation and object detection. Advances in neural information processing systems, 22.
- ↑ https://www.codingninjas.com/codestudio/library/local-binary-pattern-algorithm#:~:text=A%20Local%20Binary%20pattern%20is,pixel%20with%20its%20neighboring%20pixels.
