Artificial Intelligence - هوش مصنوعی

Artificial Intelligence - هوش مصنوعی (http://artificial.ir/intelligence/)
-   نرم افزار MATLAB (http://artificial.ir/intelligence/forum64.html)
-   -   تناظر یابی (http://artificial.ir/intelligence/thread10308.html)

saleh1989 ۱۰-۱۴-۱۳۹۰ ۰۴:۲۷ بعد از ظهر

تناظر یابی
 
[size="3"]با سلام
یه برنامه میخوام تو متلب بنویسم که 2 تا تصویر پوشش دار (دارای همپوشانی) رو نرم افزار دریافت کند سپس با مشخص کردن یک نقطه در یکی از تصاویر متناظر اون رو در تصویر دوم بیابد.

با تشکر فراوان
خیلی خیلی فورررررررررررررررررری !!!!!!!!!1[/
size]

mahdiii ۱۰-۲۶-۱۳۹۰ ۰۲:۰۶ قبل از ظهر

نقل قول:

نوشته اصلي بوسيله saleh1989 (پست 22350)
[size="3"]با سلام
یه برنامه میخوام تو متلب بنویسم که 2 تا تصویر پوشش دار (دارای همپوشانی) رو نرم افزار دریافت کند سپس با مشخص کردن یک نقطه در یکی از تصاویر متناظر اون رو در تصویر دوم بیابد.

با تشکر فراوان
خیلی خیلی فورررررررررررررررررری !!!!!!!!!1[/
size]

سلام. اگه منظورتون اینه که یک برنامه دو تاتصویر همپوشان رو بگیره و ما یک نقطه از تصویر اول رو مشخص کنیم و برنامه نقطه متناظرشو در تصویر دوم پیدا کنه کار مشکلی هستش و تا اونجایی که من می دونم الگوریتمی که پاسخ مناسبی رو بهتون بده وجود نداره زیرا در دو تصویر نقاط زیادی وجود دارند که بسیار شبیه به یکدیگر هستند به عبارتی دیگر یک نقطه در تصویر اول شبیه به چند نقطه در تصویر دوم است. مثلا فرض کنید که دو تصویر مربوط به یک سطح یکنواخت مثلا دریا یا بیابان و یا سطح یک فلز باشد. مشخص است که تعیین نقاط متناظر در این تصاویر کار مشکلی است. خود انسان نیز نمی تواند این کار را بکند. بنابراین صورت مساله باید به این صورت باشد که خود برنامه نقاط متناظر را در دو تصاویر بیابد که این نقاط مشخصا نقاطی هستند که متمایز بوده و قابلیت تشخیص را با توجه به اطلاعات اطرافشان دارند. به این نقاط، نقاط کلیدی یا نقاط مورد علاقه، نقاط اصلی و یا برجسته می گویند. معمولا نقاط گوشه نقاط مناسبی برای تناظر می باشند. بنابراین عمل تناظر برای نقاط خاصی می تواند صورت پذیرد. الگوریتمهای متنوعی نیز برای این کار معرفی شده اند . در اکثر این روشها پس از یافتن نقاط کلیدی در دو تصویر، این نقاط با توجه به اطلاعات پیکسلهای اطرافشان مانند بزرگی و جهت گرادیان یا موارد دیگر توصیف می شوند. به عبارتی دیگر برای هر نقطه ویژه یک بردار ویژگی به دست می آید و این بردارهای ویژگی نقاط با یکدیگر مقایسه شده و هر کدام که شبیه تر به یکدیگر باشند به عنوان نقاط متناظر تشخیص داده می شوند. در مرحله بررسی شباهت میان این بردارها می توان از روشهای دسته بندی و یا روشهای ساده تر مثلا کمینه مجموع مربعات خطا استفاده کرد. چند تا روش معروف تو این زمینه رو نام می برم که مقاله و مطالب در اینترنت به قدر کافی برای اونها موجود است. SIFT و SURF.
scale invariant feature transform
speeded up robust feature
RIFF
BRIEF
GLOH
HARRIS-AFFINE
HESSIAN-AFFINE
SIFT-PCA
SIFT-LBP
ASIFT

به نظرم از SIFT شروع کنی بهتره. این روش جزو بهترین روشها تو این زمینه است. واقعا روش عالی ای هستش.
اگه سوالی بود در خدمتم

mahdiii ۱۰-۲۶-۱۳۹۰ ۰۲:۱۳ قبل از ظهر

راستی یادم رفت دو تصویرتم نباید خیلی باهم متفاوت باشند. منظورم اینه که نباید مثلا در زاویه دیدشان خیلی با هم دیگه تفاوت کنند یا یک تصویر با تصویر دیگر ازنظر مقیاس یا چرخش نباید خیلی متفاوت باشند. روش sift سعی می کند استقلال نسبت به چرخش، انتقال و مقیاس را تاحد بسیار خوبی ایجاد کند. همچنین تغییرات نورپردازی ولی تغییر در زاویه دید نباید زیاد باشه.موفق باشی

saleh1989 ۱۰-۲۶-۱۳۹۰ ۰۳:۲۸ بعد از ظهر

راهنمایی واقعا عالی و خوبی بود
خیلی خیلی ممنون
:41::41::4::4::67::67::103::103::41::41::41:


زمان محلي شما با تنظيم GMT +3.5 هم اکنون ۰۹:۴۵ بعد از ظهر ميباشد.

Powered by vBulletin® Version 3.8.3
Copyright ©2000 - 2025, Jelsoft Enterprises Ltd.
Search Engine Friendly URLs by vBSEO 3.1.0 ©2007, Crawlability, Inc.