Loading

Alison's New App is now available on iOS and Android! Download Now

Study Reminders
Support
Text Version

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Questa lezione, ci muoviamo un po' avanti e parliamo. Altri tipi di artefatti da immagini praticamente utili, specificamente blobi e angoli. Prima di andare lì, abbiamo lasciato una domanda per voi alla fine dell'ultima lezione. Spero che passi un po' di tempo a lavorare fuori dalla soluzione. In caso contrario, discuteremo brevemente lo schema in questo momento e, uh, aspetta che tu lavori i dettagli da solo. Abbiamo quindi parlato di cercare di usare i bordi di Ganni per avere linee rette in immagini. Come si fa? Prima i bordi di canny computi in, nella tua immagine, il che significa che calcolerai le tue sfumature nella direzione X e nella direzione Y. E puoi anche calcolare i tuoi datas. Quali sono i tuoi angoli di ciascuno dei tuoi bordi, che è dato dall'abbronzo inverso del gradimento rispetto a Y diviso per grado in prospettiva X. Ora, come passo successivo, quello che facciamo è assegnare ogni bordo ad una di otto direzioni. È solo un numero che si potrebbe scegliere. Tutto il resto. Si assegnerebbe ogni bordo a una di otto direzioni? Quindi probabilmente combineremo sette pollici in un unico bidone. E per ognuna di queste otto direzioni, chiamiamo una di quelle direzioni per essere B otteniamo quello che è noto come lente edge e quali sono le labbra edge, i liti edge sono componenti connessi per i pixel edge con le indicazioni in D meno uno D e D più uno. Quindi per un dato, quindi hai otto possibili indicazioni che ti sono state tutte le tue aggiunte di agilità e ne prendi uno e li connetti con i bordi. Ma. Orientamento D meno uno e D più uno. Così si otterrà una serie di ciò che è noto come edge let's. Una volta compatte il tuo Atlante, calcoliamo poi due quantità, la raddrizzatura e l'orientamento delle labbra di bordo. Il modo in cui andiamo a fare questo sta usando i valori eigenvettori Eigen del secondo momento, matrice dei pixel edge. Quindi, quello che facciamo qui è che hai i tuoi pixel edge che appartengono a un particolare bordo eletto. Quindi prendi tutti quei pixel e calcola una tale matrice. La matrice è data da. Quindi se si guarda alla prima voce qui, la prima voce qui, corrisponde a X minus nuova X, la nuova X è la dimensione media X. Con tutti quei pixel nella terra edge e ogni X corrisponde a una di quelle esportazioni e X di uno di quei pixel edge. Quindi si sta semplicemente calcolando in un certo senso, un senso di varianza rispetto al pixel medio edge lungo la direzione X. Allo stesso modo, si ha una varianza di lungo la direzione Y di quei pixel edge rispetto ai loro mezzi. E trovi anche l'obbedienza rispetto a. Direzioni x e Y. Così una volta che si ha questo video, simile a come avviene l'analisi dei componenti principali, prendiamo gli autovettori e gli autovalori di questa certa matrice del momento. E ricordati che posso vettore e posso, posso vettore corrispondente al più grande autovalore. Vi daremo la direzione della massima varianza tra questi pixel. Ed è quello che stiamo cercando. Comprensione. Quindi finalmente decidiamo che l'orientamento dell'intelletto sarà dato dal 10 è stato, abbiamo vinto non essendo dove vogliamo è l'autovettura più grande da più grande. Intendiamo l'autovettura corrispondente all'autovalore più grande. Ricordati qui che M è un incrocio a matrice, il che significa che avrai solo due autovalori al massimo. E si prenderà l'autovettura corrispondente a quelli, all'autovalore più grande. E chiamiamo che per essere, vogliamo, e non siamo l'altro è l'altro, mi trovo meglio. Quindi se prendete una tangente era di questi due vettori, che i dati vi daranno la direzione di quell' atleta generale. Ok. Così nel caso, uh, stai trovando questo difficile da capire, ti preghiamo di tornare indietro e leggere l'analisi dei componenti principali, e sarai in grado di collegarlo a questa idea particolare. E definiamo la franchezza per essere Lambda due da Londra. Uno dove Lambda due è il secondo autovalore più grande e Lambda uno è il più grande autovalore. Quindi la dichiarazione è qui che sarà il valore più alto quando sia i Lambda twos che quelli Lambda sono, uh, sono ugualmente vicini a pari. E una volta che si ottiene questa quantità, si soglia la semplice soglia dei segmenti di linea opportunamente e di storia. Quindi non importa davvero se si misura la dolcezza come agnello, che due di Lambda uno o Lander uno di Lambda due. Devi solo assicurarti di costruire adeguatamente la tua soglia. Se si incosta il rapporto di raddrizzatura, basta assicurarsi di gettare, accorciare il valore adeguato e poi ottenere la malattia di linea. Ecco allora un esempio visivo. Così si può vedere che dopo aver applicato il canny si ottengono tutti questi bordi a sinistra. Così si ottengono molti spigoli, che sono abbastanza, ben connessi non troppo rumorosi, ma non tutti corrispondono a linee rette. Molti di loro corrispondono ai bordi che rappresentano il, dicono la consistenza del pavimento e così via. Ma davvero non ne vogliamo uno che quando il modello si faccia dire c'è un'applicazione che davvero non la vogliamo. Quindi allora usi questo tipo di approccio per ottenere solo le linee rette dal tuo Kenyon. Basti pensare di più a questo, se, e puoi, penso che sapere di più su BCA ti aiuterà a capire questo un po' meglio. Andare avanti. Come dicevamo, l'attenzione va dai bordi ai manufatti più recenti che sono i bari e gli angoli. Allora ricordate, ultima lezione, abbiamo parlato di prendere il e abbiamo detto che le traversate zero del laboratorio, lezione di erba, guardiani potrebbero darvi una misura di un'immagine giusta. Questo era un altro modo per ottenerlo, solo in un'immagine. Ne parleranno leggermente diversamente ora. Quindi ancora una volta, solo per recinti, ricordati, questo è il tuo Questo è il tuo derivato del Garcias, e questo è il tuo giro LaSeon del tuo costume. Dove la scena di LA ci abbiamo definito il quadrato F è uguale a fare quadrato F dalla X squartato da D più quelli quadrati Y by X, lo spread. Ora, diciamo un esempio di un look un po' come questo, dove si ha un meno quattro al centro. E uno, uno, uno, uno nei suoi vicini più vicini e zero zero, zero, zero. Ed è il prossimo livello di Nunez Napoli. Ma si può provare a indovinare perché questo è un punto rilevante da sapere, il up è uguale e potrebbe anche essere stato zero zero, zero, zero meno uno, meno uno, meno uno, meno uno e quattro. Quindi se davvero visualizzi lo spirito, li vedrei al centro. C'è un picco. E sono vicini più vicini. C'è un meno uno. C'è un valore che va sotto sotto il tuo zero. E poi ci sono zeri in altri luoghi. Quindi se cercate di visualizzare la strada, questo sarebbe molto, molto simile alla forma del, ma abbiamo appena visto sulla prima luce, ma che è una sorta di geometria della prospettiva concettuale. Perché abbiamo detto quarto? Perché no? Perché no? Otto? Perché no? Qualsiasi altro numero? Ancora una volta, si torna a approssimare in qualche modo le sfumature. E possiamo lavorare questo per mostrarvi come funziona. Quindi ricordati che qui siamo camere secondarie in competizione. Così quei quadri F facendo quadrato possono essere riconosciuti in approssimazione utilizzando i primi principi. Si può dire che è F di X plus uno, Y. Plus F di X meno uno, Y meno due F di X, Y similmente, puoi scriverlo per quei quadri F dalla piazza bianca. Ora, se cercate di mettere entrambi nella vostra equazione di costume del vostro laboratorio di loseno o la vostra equazione, in questo caso particolare, allora avrete quella di F uguale a F di X più uno Y plus. F di X meno uno, bianco plus F di X bianco più un plus F di X, Y meno uno, meno quattro volte X, Y questo dovrebbe raddrizzare un campanello per te per come hai ottenuto questo tipo di paura di F di X swipe. Il coefficiente è meno quattro e i suoi vicini X più uno X meno uno. E analogamente, Y più uno per meno uno, il coefficiente è uno. Così il semplice è venuto. Prendendo un'approssimazione del gradimento. Ricordate che potreste avere altri tipi di approssimazioni del gradimento rispetto al quartiere locale. Si potrebbero considerare una vetrina più grande, una e così via. Se lo si fa, ovviamente la definizione del dino dovrà essere opportunamente. Un'altra illustrazione visiva qui è l'immagine originale. Qui sta semplicemente prendendo il e qui è il dolce. Se prendi il giro Lyceum di costume, ricordati ancora, che ti dà l'effetto livellante, che liscia il rumore e poi picchia la tua immagine originale. Ancora una volta, ricordate la birra, basta prendere un filtro e nel filtro spostandolo in ogni punto dell'immagine e ottenendo la vostra opinione. Ora facciamo la domanda. Quindi questo è qualcosa che ha visto parzialmente l'ultima cosa. Allora cosa c'è, può, hai le idee? L'altra cosa che la passione di Garcia può fare è rilevare le balle. Y ricordati che un ultimo giro, insomma, Gus in filtro assomiglia alquanto a questo. Ricordati che potresti scrivere la Laplace in questo modo o dall'altra parte. Davvero non importa. Come, quindi, alla fine della giornata per il rilevamento del bordo e il rilevamento simile di altri manufatti, l'unico prendere il valore assoluto, se l'output è negativo o positivo, prendiamo solo il valore osservato. Così cambierebbe se si avesse un cerchio bianco con un buco nero, o un cerchio nero che quello bianco, noi idealmente non ci interessa. Entrambi ci sono dei blog a noi. E noi idealmente vogliamo riconoscere i blobi in entrambi questi casi. Quindi potresti scrivere il tuo laboratorio, glicine di Garcia in questo modo, o un altro modo in cui il tuo picco centrale sale sopra. Così, e l'altra parte arriva sotto. Questo è simile a scrivere il laboratorio, lezione di costume con un meno quattro al centro. E uno, uno, uno intorno o che si abbina al centro e meno uno, meno uno, meno uno. Quindi ora, se cercate di visualizzarlo come immagine, quindi se prendestate una lite gremita di Gus liberate un tre da tre, forse troppo piccolo, diciamo che vi siete espansi, prendete un quartiere più grande. Diciamo che prendi un sette entro sette o 11 entro il 11. Troverete che l'ultima lezione di Gustin libertà, solo il filtro stesso. Ricordate che anche quella matrice che può essere visinata come un'immagine sembrerebbe una cosa del genere. Uh, blob nero nell'anello medio o bianco, che è dove hai un picco e grigio tutto, fino in fondo. In altri posti, si potrebbe anche avere un invert di questo, dove si ha il bianco in mezzo al verde nero, e poi grigio tutto su quello che di questi sono simili. E osservando il filtro si può dire che è probabile che rilevi i blog in un certo senso, possiamo far vedere che il filtro può essere visualizzato come. Confrontando un piccolo quadro di quello che si vuole trovare contro tutte le regioni locali dell'immagine. Quindi si tratta di una leggera nuance, che è diversa. Questo aspetto un po' simile al template matching per quello che si usa la correlazione incrociata, ma in convoluzione si raddoppierebbe il filtro e la ricerca di quella attraverso l'immagine. Ma quando il tuo filtro è simmetrico, non importa davvero quale correlazione incrociata e combinazione cercheremo la stessa libertà nell'immagine. Così una volta, una volta che hai un'applicazione di glicine come questa, probabilmente puoi arrivare dei fiori in un campo, oppure probabilmente puoi rilevare, uh, globuli rossi, uh, cellule nel tuo esame del sangue. Qualsiasi, qualsiasi struttura che si piega su un'immagine, chiaramente in questa immagine con i girasoli, ci sono dei bampi di diverse dimensioni. Quindi bisognerebbe eseguire un laboratorio con diverse dimensioni di blobi. Per poter catturare tutti quei bari nell'immagine. Non andiamo avanti al prossimo manufatto, che è molto utile aspettarsi dalle immagini per gran parte. Uh, l'estrazione degli angoli da un'immagine è stata un'area molto, molto importante, di ricerca nella visione informatica nei tardo Novanta e all'inizio di due migliaia, molto, probabilmente in thailandese Novanta e all'inizio di due migliaia. Così cercheremo di descrivere un metodo popolare oggi. E cominciamo con la domanda. Supponga di avere un'immagine come questa, quali sarebbero le caratteristiche interessanti che impostano a parte questa immagine da qualsiasi altra dimensione, ricordati che vogliamo fare qualsiasi elaborazione. Vogliamo essere in grado di estrarre alcuni elementi unici dell'immagine. Allora quali sono quegli elementi unici in questa immagine? E tu dirai che quelli saranno tuoi. Kronos, ma proviamo a andarci. Idealmente vogliamo cercare immagini, immagine, regioni che sono insolite, qualcosa che tramonta, quell' immagine qualche, quell' immagine della regione da altre immagini. Se avete una regione che è texture, per esempio il cielo azzurro, allora che potrebbe essere comune attraverso diverse immagini. E potrebbe non essere davvero unico per quella particolare immagine. Potresti non essere in grado di localizzare quella regione in qualsiasi altra dimensione con la stessa, con il contenuto simile. Idealmente cerchi patch con grandi cambiamenti di contrasto, grandi sfumature. Come se fossi solo un buon esempio, ma parleremo del perché potrebbe non essere il manufatto giusto in un attimo, ma stiamo cercando alcune patch o alcune regioni nell'immagine, che hanno grandi cambiamenti di contrasto come gli ascolti. Ma il problema con i bordi è appena sofferto da quello che è noto come D. About your problem. Il tuo problema è solo, uh, vedere un'illustrazione visiva sulla slide successiva, ma che per questo motivo sono solo aspetti buoni, unici di un'immagine particolare, soffrono di un problema, che parleremo della prossima slide. Quindi quello che idealmente stiamo cercando sono regioni dell'immagine o quello che chiamiamo angoli, dove le sfumature in almeno due direzioni diverse sono significative. Quindi ricordate che il bordo è un artefatto in cui si ha un gradimento significativo in una direzione, che sarà normale alla pagina. Potrebbe essere qualunque direzione, il bordo, forse la normale direzione verso quel bordo sarà l'orientamento di quello, di quel bordo. Ma la cosa che vogliamo, quei punti in cui ci potrebbe essere un gradimento significativo, cosa significa? Non ne voglio. Facciamo un esempio tangibile. Supponiamo che ci sia un artefatto come questo, questo sembra qualche invertita V diciamo, e abbiamo questo manufatto così e vogliamo scoprire, uh, che parte di questo hai citato, supponiamo il sistema per l'immagine o ignori la scatola blu. La scatola blu è per spiegarcelo. Basta considerare l'immagine con solo nel pulsante V. Volete scoprire ora quale aspetto dell'immagine è unico, che può aiutarci. Riconoscerlo dire altre volte, o se si visualizza quella immagine dagli altri. Quindi se si considera questa scatola blu inserita qui, si vede che quella è una regione texturista piatta. Non c'è cambiamento di intensità in quella regione. Quindi non sarà molto utile. È come il cielo azzurro con assolutamente nessun cambiamento. Non sarà molto utile quando si cerca di confrontare questa immagine con altre immagini. Quindi se ora posizionare la scatola blu sul bordo, parte del, uh, dell'immagine. Questo è buono. C'è qualche manufatto utile, ma il problema è che se si sposta questo cappuccio di patch qui prima di tutto quello che ha la stessa risposta, non si saprà mai se si è posizionato il tuo box qui sopra, perché tutti avrebbero avuto esattamente la stessa risposta. E non c'è differenza nelle caratteristiche locali in tutti questi luoghi. Quindi, il che significa che mentre è utile, c'è qualcosa che mancano. Quindi il che significa che se cercate di abbinarvi o diciamo che prendete una foto panoramica nel vostro telefono e cercate di allineare due immagini, potreste non sapere quale parte del bordo allineare che. Idealmente cercare di posizionarsi la scatola in quel tipo di punto in cui si cambia in due direzioni, e quel punto potrebbe essere unico. A questa immagine particolare. E idealmente stiamo cercando molti punti di questo tipo in un'immagine, ma tali punti sono il tipo di punti che vogliamo rilevare in un'immagine. Come troviamo tali punti in un'immagine? Come sappiamo fare, basta saperlo, ma diciamo di andare un livello più lontano per cercare di vedere come si trovano questi angoli in un'immagine per farlo? Stiamo per definire una quantità o una correlazione automatica. Ok. Come gli States, è la correlazione automatica, è correlazione con se stessa. Quindi se non userete nessuna libertà esterna, ci vorrà una patch in e immagine e vedere come correla con se stessa. Che cosa significa? Proviamo a quantificarlo. Così definiremo la funzione di autocorrelazione come vostra presa una patch nell'immagine, e si calcola la somma delle differenze quadrati tra le intensità di pixel. Ma piccole variazioni nella posizione della patch di immagine. Quindi se hai avuto un punto B I nell'immagine, diciamo che lo posizionare al centro. Ecco cosa sarà l'occhio. E se ora avete una piccola giornata, siete voi, che sarà la differenza. Sposterai quella patch da un certo Delta. Ti ricordi di BI e Delta, sei entrambe le coordinate 2d. Quindi anche allora probabilmente avrete. E parlate, voi e il Delta sarete, per esempio, come voglio, noi facciamo che menzioni che sia elettrica, che ci sarà, quindi sì, io ho BI, che è l'intensità dell'immagine a quel punto BI, poi si sposta il punto, il Mi plus Delta, tu, lo muovi un po' e vedi qual è l'intensità dell'immagine in quella nuova location? E pensi che la somma delle differenze quadrati per tutte le persone in quella particolare patch. Quindi se prendi una patch quadrata, prendi ogni punto, muoviti un po' per spostarlo tutta la scatola. E poi si compatte le distanze pairwise tra le stesse posizioni nella patch originale e la nuova patch e riepiletele tutte. Questo è quello che definiamo come correlazione automatica sulla disfunzione, WPI. WF BI è una funzione che ti racconta quanto vuoi dare peso per ogni punto particolare in quel lotto, magari per il pixel centrale, vuoi dare più peso per un pixel alla periferia di quel quadrato di quella piazza blu che hai. Forse vorrete dimagrarlo un po' meno. Quindi potresti avere un tasso fisso per tutti i punti di quella piazza. Oppure potresti avere un che definisce WF BI. Quando aspettate nel centro commerciale dei pixel centrali. E i pixel alla periferia, una piccola lezione, lo definiamo più auto. Ora proviamo a vedere come si, uh, autocorrelazione computa e poi tornare a come computi l'onore usando questa correlazione automatica? Quindi guardiamo questo più profondamente. Consideriamo l'espansione della serie di Taylor. Ho BI plus Delta U libro PA. Più l'intervista parla di prendere la patch, che è stata centrata a BI e spostarla da un Delta U e posizionandola ad una posizione leggermente offset nella stessa immagine dall'espansione di serie Taylor, è possibile scrivere disastro IFPI plus grad di IPI Delta. Sei stato gratificato. RPI è il gradiente di immagine in quella particolare località? Do I. BI con la nuova X arriva però. Io all'ingresso di BI BI, sai come il gradiente informatico, come abbiamo già visto finora. Ora scrivi la correlazione automatica. Ricordate la definizione di correlazione automatica che abbiamo scritto sulla slide precedente è questa dove diciamo qual è la correlazione WPI in IFPI, più Delta U meno IFPI. In questo momento andremo a sostituire, ho IFPI plus Delta U. Con questa espansione delle città di Taylor. Quindi collegando che qui dentro, avrai WPI questo primo articolo qui viene scritto come IFPI plus Delta IFPI, Delta U meno IFPA. Così solo per, uh, solo per spiegare le notazioni qui da Delta di U V si intende un Delta vettoriale di te e dire Delta V. Perché è, abbiamo fatto una sottomissione qui. Lo scrivono semplicemente come uno di quei dati di utilizzo intuito. Come, comunque, che sarà una sottomissione per TAVI, che si occuperà dell'altro competente. Una volta che hai questo, puoi vedere che IFPI e IFPI vengono annullati e sei lasciato con la sommatoria X, Y WPI in quelli. Perché ho BI? Hai lo script? E scriveremo che come quantità, Delta, trasformi una matrice a in Delta U. Ok. Ricordati quindi che hai questa minuscola piazza, basta dividerla in due parti in cui hai una parte che arriva qui. E una parte che va qui e il resto di quello che si ha WPI in se, ITI, si combina in una matrice. Come sembrerebbe ok. Sembrerebbe qualcosa come questo numero sarà una combinazione di blu nel tuo dispositivo anche se ghiaccio. Quindi significa che sembrerà una cosa del genere. W ti fai venire una settimana, avrai il numero due, competenza della sottomissione. Sei squartato? I X I, Y I S I, Y I, la mia piazza, quelli saranno le tue sfumature e questo sarà il tuo Imitrex. Così abbiamo preso la definizione. Così abbiamo definito autocorrelazione in modo particolare dove abbiamo detto, prendiamo una patch, spostiamo un po' e vediamo come sono cambiate le proprietà dell'immagine in quella regione locale. Così abbiamo poi preso la definizione di correlazione automatica, giocato con un po' e poi è emersa un'espansione, che assomiglia alquanto a questo. E non ci stiamo concentrando su questa matrice. Quindi. Questo può essere un così DECA te è semplicemente il cambiamento che hai imposto nel lotto, um, nella posizione della patch. Come quello che è, quello che hai pubblicato è quello che ti sta dando come i gradienti cambiavano tra quelle due patch e, uh, il fattore di valutazione che ti dice quanto dovresti leggere la parte centrale di quel lotto contro le parti periferiche. Così, dato che è quello che definisce il cambiamento di intensità, si va a considerare. E non potrei decomposizione di un, che ha dato da te Lambda che ti traspare che Lambda sarà una matrice diagonale con Lambda one e Lambda due a due posso valori. Ricordare è una matrice bidimensionale, il che significa che il numero massimo di autovalori che si può avere è a un, di, in UI è uguale alla terra che si desidera e al suo standard posso fare composizione. Questo è meraviglioso. Così, ancora una volta, abbiamo iniziato con la correlazione automatica. Kim lo ha scritto in modo leggermente più diverso, leggermente diverso. E poi ora abbiamo finito. Non potrei decomposizione di, Hey, dove andiamo da qui? Come facciamo a passare dal vostro, a loro per trovare una colonna? Questa è la domanda che ti chiederemo. Pensatelo per un attimo. Come pensi di poter passare dagli autovalori di una posizione di una colonna? Molto simile alla discussione che abbiamo avuto nella parte iniziale della lezione, quando sia Lambda uno che Lambda due, un grande, si sa, che l'intensità cambia in entrambe le direzioni in quei punti quando la Lambda due è più grande della terra, molto più grande di Lambda one o Lambda uno è molto più grande di Lambda due. Sarà un vantaggio perché ci sarà da cambiare solo lungo una direzione. E se sia Lambda uno e Lambda due, un piccolo, si dirà che è una bandiera o accanto a questa regione. Quindi il che significa che sappiamo che dalla posizione identica di Abe, tutto quello che stiamo cercando è sia, di nuovo, dei valori da ippare. E sappiamo che probabilmente hai colpito un angolo, quindi vediamo come si fa a fare questa inferenza. Quindi c'è un altro modo di guardarlo è. Così ogni volta che c'è quel bordo di solletico o il bordo orizzontale che avrete a Londra, uno più grande di Londra, due o Londra, due più grandi di quello all'angolo. Potreste avere sia Londra che Londra a, per essere lanciati. E in una regione piatta si avrà sia Londra che Londra, molto piccole. Quindi cosa facciamo con questo? Così il bambino, che compiterà il tuo angolo. Questo era un metodo dato dalla parte opposta. Come fa, ed è per questo che è conosciuto come il rilevatore d'angolo più caldo. E'un rilevato molto conosciuto. È stato utilizzato per diversi, diversi anni. Ovviamente ci sono stati molti miglioramenti e metodi migliori che le persone hanno sviluppato, ma questo è stato uno dei primi, uh, metal detector che è stato sviluppato ed è stato utilizzato per molti anni. L'intero passi, il tuo falso segue, una cosa del genere. Si compatte sfumature in ogni punto dell'immagine. Utilizzo che compatte la matrice di mira. È possibile utilizzare una funzione di ponderazione, oppure se non si utilizza una funzione di ponderazione, si supponeva semplicemente di considerare tutti uguali tutte le posizioni di posizione batch di quel lotto ad essere uguali. Poi idealmente vogliamo calcolare il tuo valore icona e progettare il tuo angolo in base al valore dell'icona. Ma perché posso decomposizione da solo può essere un processo costoso. Cerchiamo di fare un leggero, una leggera deviazione per poter calcolare un continente come misurato. Quindi dobbiamo definire un comune come quello di Lambda uno in Lambda due meno CAPA volte Lambda una Lambda, due al quadrato. Vi lascio lavorare questo per dimostrare che quando questa intera altezza di quantità, saprete che sia quelle Lambda che Landa twue sono di altezza. Cosa fa l'arte per te? Provate diverse Londra e le polveri di Londra. E vedrete quello che sto dicendo, ma quello che qui è interessante è Lambda uno e il numero due non è altro che il determinante di un e Londra un plus numero due non è altro che gli alberi di otto, il che significa che possiamo definire il nostro continente misurato come determinante di un meno qualche tempo di rame costante. Tre quadrati di un CAPA sono solo una costante che devi definire per ottenere quello che vuoi ottenere quattro immagini diverse. Forse devi dire in modo diverso. Perché questo è utile? Normalmente è necessario calcolare l'Imitrex decomposizionale ideale. Basta compattare il proprio determinante e luogo, che è un po' più facile nell'informatica. Finalmente io. Prendete poi tutti i punti in quell' immagine che è andata avanti come misurata è maggiore della soglia. Così si possono prendere molti punti diversi, probabilmente tutti i punti, computi i colonisti usando la correlazione automatica, e poi qualunque sia più grande di una determinata soglia. In realtà li chiami angoli. Finalmente si può anche eseguire la soppressione non massima dove se si scopre che ci sono molti angoli in un quartiere locale molto piccolo. Scegli quello con il più alto che ci chiama misura. Questa è la tua normale soppressione massima di cui abbiamo parlato anche in, uh, nel rilevatore di bordo della contea. Quindi non c'è la massima soppressione che continuerà a venire e a tornare da noi in varie fasi nei punteggi a varie, uh, in, in vari casi d'uso. Ecco quindi un'illustrazione visiva di. Il rilevatore d'angolo più caldo. Consideriamo quindi due immagini dello stesso oggetto. Arrivano da angoli diversi. Gli oggetti sono a diverse pose e l'illuminazione è anche diversa. Proviamo a eseguire il rilevatore di Conor hottest. Idealmente, quello che vogliamo è che in entrambe queste immagini si scelgono le stesse parti o gli stessi angoli del Dole. Perché quell' elemento è? Ancora una volta, se prendo l'esempio di. Dire, cuocere immagini diverse nel tuo cellulare, una modalità panoramica o una cosa del genere. Vogliamo gli stessi punti in entrambi gli oggetti da posizionarsi in modo da poter essere abbinati e probabilmente cuciti insieme per ottenere un'immagine panoramica, proprio come esempio di applicazione, vediamo ora. Ecco allora il passo dell'informatica, i continenti, dove si fa la correlazione automatica, si ottengono i valori comunisti e poi si prendono tutte le risposte elevate utilizzando una soglia. Nessuna soppressione non massima. Ecco perché si vedono molti di quei punti nelle regioni. Basta prendere il massimo più alto. Basta prendere il massimo valore cardinale. Si fa la soppressione non max e ora si ottiene un branco di punti diversi. E ora proviamo a visualizzarli sull'immagine e potete davvero vedere, ok. Se si guarda dire questi esempi evidenziati, si può vedere, seppur. Uh, quelli sono trattati abbastanza diversamente. Si possono ottenere angoli simili in entrambe queste regioni, così si possono vedere molte altre industrie. Ovviamente si ottengono qualche angolo in più, che non ci sono nella seconda immagine, ma quelli possono essere superati in fase di matching. Come si vede un po' più tardi in questo corso, il focus di questa particolare lezione è sul parlamento. Solo rilevare l'economista. Come fare il matching tra le due immagini? Torneremo a farlo un po' più tardi. Perché abbiamo visto 1 miliardi di dollari di mano, la Scozia aveva un rivelatore qui, che era, uh, che era, è stato sviluppato da Harrison Stevens nel 88. Quando usiamo il determinante meno CAPA o alpha volte la tua traccia. Questo è quello che abbiamo usato. Questo è quello che abbiamo usato ancora. Ci sono state altre improvvisazioni dello stesso metodo dove un ricercatore ha costruito dei righi suggeriti che si può usare Lambda, non meno alfa Lambda. Una Lambda non è la prima che ricevo soldi o il più grande autovalore in Lambda. Uno è di nuovo un secondo, valore. Un ricercatore Brown vieta una squadra proposta determinante di un morso o falso, invece di fare il determinante della Lambda meno, troverò due, uh, tre quadrati di otto, uh, VC cup su due slide fa. Questo è solo, non importa. E'solo una costante, ah, quindi hai determinante un luogo di fede. Tutti questi potrebbero essere modi diversi di giocare con le stesse quantità per ottenere ciò che si desidera. Tutti in modo efficace cercano di misurare l'economista. Utilizzando gli autovalori della tua email, che viene da let. Farò qualche domanda sulle proprietà del rilevatore più Connor prima di concludere questa lezione. La prima domanda che ci poniamo è, è la scala di rivelatore più dura in variante. Che cosa intendiamo per scala? Ricorda, la scala è complimentosa per la risoluzione. Quindi se avete un oggetto come quello che è molto piccolo in un'immagine, chiamiamo quella scala più piccola. O se è grande, lo chiamiamo scalabile più grande. Quindi si potrebbe avere un artefatto come questa linea curvo qui in una particolare immagine, oppure si potrebbe avere anche la linea di portata. Su una canvas più grande. Forse hai appena preso un'immagine da chiudere e un'altra immagine più lontana, ma è la stessa immagine. E'lo stesso oggetto che viene preso. Quindi in questo caso particolare, se si osserva nella seconda immagine, questo punto sarebbe considerato un angolo dal rilevatore più duro, ma nella prima immagine, Se prendeste la stessa patch di dimensioni per fare la correlazione automatica, troverete che tutti questi si otterrebbero categorizzati come bordi. E nessuno di loro verrà catalogato come angoli, il che significa che il rivelatore più duro non deve necessariamente essere qualificato in variante. Come si fa in scala a Verint? Ne parleremo più tardi. Che dire della rotazione in variante è la rotazione più dura in video? Succede che sarebbe invariante rotazionale. Quindi che tu abbia questo particolare V importante come questo, o che tu lo ruoti e abbia l'inverter come questo in un'immagine, questo particolare angolo avremo il cambio di altezza in entrambe le direzioni in entrambi i casi. E si individuerebbe questo angolo, sia in questa immagine. Così come la selezione, a patto che non ci sia cambiamento in scala, si rileverebbe lo stesso contenuto su entrambi.