Î ÎÎÎ¥Î¤ÎÎ§ÎÎÎÎ Î£Î§ÎÎÎ Î ÎÎÎÎ ÎÎ£Î¤ÎÎÎÎÎ¥ Î ÎÎ¤Î¡Î©Î - Nemertes

More documents

Recommendations

Info

Κεφάλαιο 4: Βαθμονόμηση της κάμερας Σχήμα 4.13: Διορθωμένη (undistorted) εικόνα χωρίς τις παραμορφώσεις του φακού- η ευθεία πλέον είναι απόλυτα ευθυγραμμισμένη με την πραγματική ευθεία της εικόνας. 46
Κεφάλαιο 5: Εντοπισμός γωνιών και αντιστοίχηση σημείων ενδιαφέροντος στις εικόνες Κεφάλαιο 5: Εντοπισμός γωνιών και αντιστοίχηση σημείων ενδιαφέροντος στις εικόνες 5.1 Εισαγωγή Πολλές εφαρμογές απαιτούν τη συσχέτιση δύο ή περισσότερων εικόνων, για να εξάγουν πληροφορίες από αυτές. Για παράδειγμα, αν είναι δυνατόν να συσχετίσουμε δύο διαδοχικά καρέ, σε μία ακολουθία βίντεο που λαμβάνονται με κινούμενη κάμερα, τότε μπορούμε να εξάγουμε πληροφορίες σχετικά με το βάθος των αντικειμένων που απεικονίζονται στο περιβάλλον καθώς και την ταχύτητα της κάμερας. Το να συγκρίνουμε κάθε pixel ξεχωριστά, είναι απαγορευτικό από υπολογιστικής άποψης για την πλειοψηφία των εφαρμογών. Διαισθητικά, κάποιος θα μπορούσε να αντιστοιχίσει στις δύο εικόνες σημεία που θεωρεί ‘ενδιαφέροντα’. Αυτά τα σημεία, που αναφέρονται ως σημεία ενδιαφέροντος, εντοπίζονται χρησιμοποιώντας έναν ‘ανιχνευτή’. Η εύρεση μεταξύ της σχέσης των σημείων στις δύο εικόνες, προκύπτει από τη χρήση μόνο αυτών των εντοπισμένων σημείων, με συνέπεια να μειώνεται αισθητά ο απαιτούμενος χρόνος υπολογισμού. Πολλοί διαφορετικοί ανιχνευτές σημείων ενδιαφέροντος έχουν προταθεί με ένα ευρύ φάσμα ορισμών για το ποια σημεία σε μία εικόνα χαρακτηρίζονται ‘ενδιαφέροντα’. Μερικοί ανιχνευτές βρίσκουν σημεία υψηλής τοπικής συμμετρίας, άλλοι βρίσκουν περιοχές με πολυποίκιλη υφή, ενώ άλλοι εντοπίζουν γωνίες. Τα γωνιακά σημεία είναι ενδιαφέροντα, καθώς σχηματίζονται από δύο η περισσότερες άκρες ή ακμές που συνήθως καθορίζουν τα όρια ανάμεσα σε δύο διαφορετικά αντικείμενα ή τμήματα των ίδιων αντικειμένων. Οι ανιχνευτές δεν είναι τίποτα παραπάνω από αλγορίθμους ενώ τα σημεία ενδιαφέροντος είναι γνωστά και ως ‘γωνίες’. Ο όρος ‘γωνία’ στην προκειμένη περίπτωση δε συμπίπτει απαραίτητα με τις φυσικές γωνίες των αντικειμένων που απεικονίζονται στις φωτογραφίες. Ο όρος σχετίζεται με τη φωτεινότητα της εικόνας, ως συνάρτησης δύο μεταβλητών και γενικά δηλώνει σημεία επί της εικόνας, στα οποία η καμπυλότητα της συνάρτησης φωτεινότητας, αποκτά ένα τοπικό μέγιστο. Τα σημεία αυτά είναι δυνατόν να αντιστοιχούν στις προβολές επί της εικόνας τόσο των πραγματικών γωνιών των αντικειμένων, όσο και σημείων σε περιοχές με έντονη υφή. Στο χώρο του computer vision υπάρχουν πολλοί αλγόριθμοι διαθέσιμοι για τον εντοπισμό γωνιών σε εικόνες οι οποίοι χωρίζονται στις ακόλουθες κατηγορίες: Μορφολογικοί: Πρώτα γίνεται εξαγωγή των ακμών στην εικόνα και μετά βάσει μορφολογικών μεθόδων, εντοπίζονται οι γωνίες. Οι αλγόριθμοι αυτοί προαπαιτούν γνώση της μορφολογίας της εικόνας και συγκεκριμένα των χαρακτηριστικών των ακμών της. Στην παρούσα εργασία τα χαρακτηριστικά του περιβάλλοντος θεωρούνται άγνωστα με συνέπεια να μην μπορούμε να εφαρμόσουμε μορφολογικούς αλγορίθμους για την επίλυση του συγκεκριμένου προβλήματος. Template-based: Χρησιμοποιούν προκαθορισμένα πρότυπα γωνιών και προσπαθούν να εντοπίσουν τα σημεία της εικόνας τα οποία ταιριάζουν 'μορφολογικά' με αυτά τα πρότυπα. Και αυτοί οι αλγόριθμοι προϋποθέτουν γνώση των χαρακτηριστικών της εικόνας, οπότε δεν είναι αποδοτικοί στο παρόν πρόβλημα. Signal-based: Οι αλγόριθμοι αυτής της κατηγορίας χειρίζονται την εικόνα ως μια συνάρτηση φωτεινότητας δυο διαστάσεων και χρησιμοποιούν τις παραγώγους της, για να βρουν τις γωνίες της. Είναι από τις πιο αποδοτικές μεθόδους στην εύρεση των σημείων ενδιαφέροντος στην τρισδιάστατη αναπαράσταση του χώρου. Ο Harris Corner Detector ανήκει σε αυτήν την κατηγορία και είναι αυτός που χρησιμοποιούμε στο συγκεκριμένο πρόβλημα. 47
Page 1 and 2:
ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ
Page 3:
Πρόλογος Πρόλογος
Page 7: Στη μνήμη της γιαγι
Page 11: 6.2 Επιπολική Γεωμετ
Page 14 and 15: Κεφάλαιο 1: Εισαγωγ
Page 16 and 17: Κεφάλαιο 1: Εισαγωγ
Page 18 and 19: Κεφάλαιο 2: Προβολι
Page 24 and 25: Κεφάλαιο 3: Μοντελο
Page 38 and 39: Κεφάλαιο 4: Βαθμονό
Page 60 and 61: Κεφάλαιο 5: Εντοπισ
Page 68 and 69: Κεφάλαιο 7: Υπολογι
Page 92 and 93: Κεφάλαιο 8: Τρισδιά
Page 108 and 109:
Κεφάλαιο 9: Συμπερά
Page 110 and 111:
Βιβλιογραφία Βιβλι
Page 112 and 113:
Παράρτημα Παράρτημ
Page 114 and 115:
Παράρτημα x=1; for (i=1:m(
Page 116 and 117:
Παράρτημα % disparity map
Page 118 and 119:
Παράρτημα max(1, min(size(
show all

Î ÎÎÎ¥Î¤ÎÎ§ÎÎÎÎ Î£Î§ÎÎÎ Î ÎÎÎÎ ÎÎ£Î¤ÎÎÎÎÎ¥ Î ÎÎ¤Î¡Î©Î - Nemertes

Create successful ePaper yourself

Delete template?

Save as template?

Î ÎÎÎ¥Î¤ÎÎ§ÎÎÎÎ Î£Î§ÎÎÎ Î ÎÎÎÎ ÎÎ£Î¤ÎÎÎÎÎ¥ Î ÎÎ¤Î¡Î©Î - Nemertes