Discussion :

[black_hole]

Bonjour,
j'utilise la fonction goodfeaturetotrack sur Opencv pour rechercher les meilleurs points d'interet d'un image de 752*480. Le probleme c'est que cette fonction prend beaucoup de temps, pas loin de 30ms sur mon pc.
Aurait-il une méthode moins couteuse en temps de calcul pour faire une recherche de points d'interets plus ou moins bien repartis sur l'image ?

Je pensais repartir des points au hasard sur l'image et les faire converger vers les maximums locaux ?

D'avance merci.

[FR119492]

Salut!

j'utilise la fonction goodfeaturetotrack sur Opencv

Avant d'utiliser une fonction toute faite, est-ce qu'il ne vaudrait pas mieux choisir un algorithme, le programmer, le tester et finalement l'optimiser? Tu pourrais aussi envisager plusieurs algorithmes puis comparer leurs résultats et leurs performances.
Jean-Marc Blanc

[black_hole]

Salut!

Avant d'utiliser une fonction toute faite, est-ce qu'il ne vaudrait pas mieux choisir un algorithme, le programmer, le tester et finalement l'optimiser? Tu pourrais aussi envisager plusieurs algorithmes puis comparer leurs résultats et leurs performances.
Jean-Marc Blanc

C'est en fait pour cela que je demande si quelqu'un n'aura pas une idée d'un algo plus light...
SiFT trop lourd, SURF pareil, Harris un peu trop lourd aussi si je dois le faire sur toute l'image...

Mais si vous avez une idée d'algo, je suis pret à l'écouter ...

[math_lab]

SURF sur une image de cette taille, c'est normalement pas ultra lourd. Sinon, tu peux toujours réduire la taille de ton image avant de trouver les points (même si c'est un peu dommage).

[black_hole]

Merci pour vos réponses.
Dans mon programme je dois rechercher des points les plus caractéristiques de l'image mais apres tout je n'ai pas forcement besoin de détecter les plus intéressant de l'image c'est pour cela que je pensais à un algo.
A savoir repartir uniformément un nombre de point d'intéret que je désire et les faire converger vers les extremas locaux en terme de gradiant ...

Ca sera moins lourd que le SIFT ou le SURF.
Vous en pensez quoi?

[pseudocode]

C'est en fait pour cela que je demande si quelqu'un n'aura pas une idée d'un algo plus light...
SiFT trop lourd, SURF pareil, Harris un peu trop lourd aussi si je dois le faire sur toute l'image...

Mais si vous avez une idée d'algo, je suis pret à l'écouter ...

FAST

[black_hole]

Merci pour le lien, je vais regarder ca.

Juste une autre question, dans le cas de l'algorithme de Harris, la fonction w que l'on applique (comme une gaussienne) est centré sur le point d'intéret?

[pseudocode]

Merci pour le lien, je vais regarder ca.

Juste une autre question, dans le cas de l'algorithme de Harris, la fonction w que l'on applique (comme une gaussienne) est centré sur le point d'intéret?

Oui, la gaussienne est centrée sur chaque pixel dont on veut calculer la mesure de Harris (on ne sait pas encore s'il s'agit d'un point d'intérêt).

[black_hole]

Merci pour cette réponse.
Ce que je ne comprend pas c'est que on a

A(u,v) = Somme[ ( I(x+u,y+v) - I(x,y) )^2 ]

pour calculer les calculs des changements au pixel p(x,y)

On se retrouve avec cette equation A(u,v) = [u,v].A.[u,v]t

         |I²x Ixy|
Avec A = |       |
         |Ixy I²y|

Donc la on peut appliquer une gaussien ou toute fonction isotropique.
On a A(u,v) = Somme[ w(x,y) * ( A) ]

La valeur de la matrice A reste constante et on a
Avec le w(x,y) = 1/(2*pi*sigma²)*exp((x²+y²)/(2*sigma²))

Ca ne devrai pas étre plutot une truc du genre
Avec le w(x,y) = 1/(2*pi*sigma²)*exp(((x-x0)²+(y-y0)²)/(2*sigma²)) ou (x0,y0) est le point que l'on étudie.A moins que ce ne soit qu'un probleme de notation.

Ensuite je ne vois pas l'utilité de la gaussienne parce que si A reste constant ca revient à multiplier à chaque fois la matrice A de chaque point par une constante, non?

[pseudocode]

Ca ne devrai pas étre plutot une truc du genre
Avec le w(x,y) = 1/(2*pi*sigma²)*exp(((x-x0)²+(y-y0)²)/(2*sigma²)) ou (x0,y0) est le point que l'on étudie.A moins que ce ne soit qu'un probleme de notation.

Oui, c'est juste une histoire de notation.

Le calcul de la somme se fait sur un voisinage de rayon R autour du pixel (u,v). C'est sur ce voisinage qu'on superpose une gaussienne centrée en (u,v).

Dans le code, on va changer de repère et choisir comme origine (u,v). Dans ce repère, le voisinage (et la gaussienne) est donc centré en (0,0) et les coordonnées varient entre -R et +R.

Bien sur, pour avoir les coordonnées du "vrai" pixel de l'image dans ce repère on doit utiliser x+u et y+v.

on doit donc calculer:

         | Ix²(u+x,v+y)  Ixy(u+x,v+y) |
w(x,y) * |                            |
         | Ixy(u+x,v+y)  Iy²(u+x,v+y) |

pour x,y entre -R et +R, et en faire la somme.

Ensuite je ne vois pas l'utilité de la gaussienne parce que si A reste constant ca revient à multiplier à chaque fois la matrice A de chaque point par une constante, non?

?

"A" ne reste pas constant, puisque le centre (u,v) change à chaque pixel.

[black_hole]

Ah j'avais mal compris alors.
Donc dans une fenetre de taille définie entre -R et R on calcul la dérivé seconde en x et y et la dérivé xy de chaque pixel dans cette fenêtre auquels on convolue une gaussienne de variance donnée.
Et donc ca, ca nous estime le changement (x,y) au pixel p(u,v)? c'est bien ca ?
On s'y perd un peu sur les notations de temps en temps...

[pseudocode]

Ah j'avais mal compris alors.
Donc dans une fenetre de taille définie entre -R et R on calcul la dérivé seconde en x et y et la dérivé xy de chaque pixel dans cette fenêtre auquels on convolue une gaussienne de variance donnée.
Et donc ca, ca nous estime le changement (x,y) au pixel p(u,v)? c'est bien ca ?
On s'y perd un peu sur les notations de temps en temps...

Oui, c'est ca...

Sauf que les dérivées en x²,y²,xy ne dépendent pas de l'emplacement de la fenêtre (elles dépendent seulement des pixels voisins ^^). On peut donc toutes les pré-calculer une seule fois, plutot que de les recalculer à chaque fois.

[black_hole]

Merci beaucoup pour les réponses.

[pseudocode]