AI视觉检测设备

2020-05-30 10:05:03 0

AI视觉检测设备                             

设备简介:
对于组成要素的要素没有统一或精确的定义,确切的定义通常取决于问题或应用程序的类型。然而,特征通常被定义为图像的“有趣”部分,并且特征被用作许多计算机视觉算法的起点。由于特征被用作后续算法的起点和主要原语,因此总体算法通常仅与其特征检测器一样好。
因此,特征检测器的理想属性是可重复性:是否将在同一场景的两个或更多不同图像中检测到相同特征。


特征检测是低级图像处理操作。即,通常将其作为对图像的第一操作执行,并检查每个像素以查看该像素处是否存在特征。如果这是较大算法的一部分,则该算法通常仅检查特征区域中的图像。作为特征检测的内置先决条件,
通常使用高斯核以比例空间表示形式对输入图像进行平滑处理,并计算一个或多个特征图像,通常用局部图像导数运算来表示。

有时,当特征检测在计算上很昂贵并且存在时间限制时,可以使用更高级别的算法来指导特征检测阶段,以便仅在图像的某些部分中搜索特征。

有许多计算机视觉算法将特征检测用作初始步骤,因此,已经开发了很多特征检测器。这些在检测到的特征种类,计算复杂性和可重复性方面差异很大。

图像特征的类型
边缘
边缘是两个图像区域之间存在边界(或边缘)的点。通常,边缘可以具有几乎任意形状,并且可以包括结。实际上,边缘通常被定义为图像中具有强梯度幅度的点集。此外,一些常用算法会将高梯度点链接在一起,以形成边缘的更完整描述。
这些算法通?;岫员咴档氖粜允┘右恍┰际?,例如形状,平滑度和渐变值。

局部上,边缘具有一维结构。

角点/兴趣点
术语“角点”和“兴趣点”在某种程度上可以互换使用,是指图像中具有局部二维结构的点状特征。由于早期算法首先执行边缘检测,然后分析边缘以查找方向的快速变化(角),因此出现了“ Corner”这个名称。然后开发这些算法,从而不再需要显式的边缘检测,
例如,通过寻找高水平的曲率在图像渐变中。然后注意到,在图像的不是传统意义上的角的部分上也检测到所谓的角(例如,可以检测到深色背景上的小亮点)。这些点通常被称为兴趣点,但是传统上使用了[ corner]一词[ 需要引用 ]。

斑点/兴趣区
斑点提供了相对于区域的图像结构的补充描述,而不是更像点的角。但是,斑点描述符通??赡馨桓鍪籽〉悖ú僮髟毕煊Φ木植孔畲笾祷蛑匦模?,这意味着许多斑点检测器也可能被视为兴趣点操作员。斑点检测器可以检测图像中过于光滑而无法被拐角检测器检测到的区域。

考虑缩小图像,然后执行角点检测。检测器将响应在缩小图像中很清晰的点,但在原始图像中可能很平滑。正是在这一点上,拐角检测器和斑点检测器之间的差异变得有些模糊。在很大程度上,可以通过包括适当的比例尺概念来弥补这种区别。
但是,由于它们对不同比例的不同类型图像结构的响应特性,在有关角点检测的文章中也提到了LoG和DoH 斑点检测器。


对于细长物体,脊的概念是自然的工具。从灰度图像计算的脊线描述符可以看作是中间轴的概括。从实际的观点来看,脊可以被认为是代表对称轴的一维曲线,并且还具有与每个脊点相关联的局部脊宽度的属性。
但是,不幸的是,从算法上从一般灰度图像类别中提取岭特征比在边缘,角点或斑点特征上算法难。但是,脊描述符通常用于航空图像中的道路提取和医学图像中的血管提?。ㄇ氩卧募辜觳猓?。