Version imprimable
Salut mon sauveur :DCitation:
Envoyé par pseudocode
si j'ai bien compris (c'est pas toujours la cas :D ) le descripteur SIFT peut être appliqué à n'importe quel pixel et on s'en fou de la façon de son extraction (Harris, moravec, Sift..)
mais si on a pas un changement d'échelle je veux dire des images de même taille est ce que le Détecteur SIFT peut être utiliser ou bien c'est pas la peine car son plus est de trouver les points stables pour différentes échelles.
j'epère être claire :)
L'échelle dont ont parle n'est pas une histoire de taille, de grossissement ou de zoom.Citation:
Envoyé par azertyuio
L'échelle dans SIFT (et dans la théorie des scale-spaces) est une valeur de "flou". Il faut avoir la même valeur de flou aux voisinages des 2 points d'intérêts que l'on souhaite comparer via les descripteurs.
mais généralement quand on fait un zoom il peut y arrivé une pixelisation ce qui rend l'image flou !!Citation:
Envoyé par pseudocode
oui je sais qu'il faut avoir le même degré de flou qui est représenté par Sigma (je pense) pour pouvoir comparer 2 vecteurs !!Citation:
Envoyé par pseudocode
mais dans mon cas j'ai 2 images de même caractéristiques (intensité, taille, degré de flou ...) quel est le plus d'utiliser un détecteur SIFT ?
autrement dit la constitution de la pyramide gaussienne sert à quoi si je compare 2 images de même caractéristiques.
car si j'ai bien compris SIFT sert à comparer des images de différentes caractéristiques (je parle du détecteur et non du descripteur):koi:
est ce que tu peux me le confirmer ?
La pyramide gaussienne sert à trouver le niveau de flou "idéal" pour le descripteur, c'est à dire "idéal" pour la fenêtre de taille 16x16 utilisée dans le calcul du descripteur.Citation:
Envoyé par azertyuio
Ce niveau de flou n'est pas forcément celui de l'image d'origine. Pour être plus précis, il s'agit du niveau de flou qui maximise la norme du laplacien (wikipedia : blob detection)
ah d'accord merci pseudocode ça me semble plus clair maintenant :)
mais peut être je reviendrai avec d'autres questions :D
Salut
J'essaie d'implémenter l'algo SIFT et il y a pour moi un point pas clair du tout.
Donc imaginons que j'ai 4 octaves avec 5 scales pour chaque octaves.
Je calcul les DoG entre les différents scales pour chaque octaves (sauf entre pour 1er et le dernier). J'obtiens donc 4 DoG par octave.
Ensuite je calcule les maxima et minima en comparant les 26 neighbours pour chaque DoG.
Et c'est la ou je ne comprends pas. Comment met on en relation les keypoints de chaque DoG??
Merci!
Mettre en "relation" les keypoints ? De quelle relation parles-tu ?Citation:
Envoyé par romanzo
En fait je ne comprends pas ce que l'on fait avec tous les DoG.
On va avoir des keypoints sur chaque DoG mais ils correspondront à des images qui n'ont pas la même dimension (vu qu'on diminue la résolution par 2).
Donc à la fin il faut bien mettre ses données en commun? (je sais pas si c'est clair) Ou alors il y a quelque chose que n'ai pas compris dans le principe!
A chaque Keypoint on va associer un descripteur : c'est un peu l'équivalent de l'empreinte digitale du keypoint. Concrètement, il s'agit d'un vecteur composé de 128 valeurs.Citation:
Envoyé par romanzo
Les données de ce vecteur sont indépendantes de l'échelle ou de l'orientation du keypoint. Il suffit donc de trouver 2 vecteurs a peu près identiques dans 2 images différentes pour associer les keypoints entre eux.
Merci pour ton aide, c'est clair!:ccool:
J'ai une autre question finalement!!
Quand on résout le systeme H.X=G (avec X pour x chapeau dans le papier de Lowe) pour l'interpolation des extremums, on calcul la dérivée
D''(x,y,s)/dsds=0.25*(D(x,y,s+2)-2*D(x,y,s)+D(x,y,s-1)) en prennant s-1 et s+1 les sigmas de la DoG du dessous et du dessus.
Mais pour s-2 et s+2 il faut prendre 2 DoG en dessous et 2 DoG au dessus.
Donc il y a un probleme dans le cas ou l'on qu'un seul DoG en dessous et/ou un seul au dessus!
Comment faire dans ce cas??:calim2:
Merci
Il n'y a pas de 's+2' dans la formule des différences finies. c'est 's+1', 's,' et 's-1'. ;)Citation:
Envoyé par romanzo
Ok merci j'ai bien vu le résultat je l'avais juste mal calculé.
Voila ce que j'avais fait
D'(x,y,s)=0.5*(D(x+1,y,s)-D(x-1,y,s))
D''(x,y,s)=0.25*( D((x+1)+1,y,s)-D((x+1)-1,y,s) - (D((x-1)+1,y,s)-D((x-1)-1,y,s))
= 0.25 (D(x+2,y,s)-2*D(x,y,s)+D(x-2,y,s))
Bon j'ai vu ensuite que finalement la dérivée seconde se calculait en addition les
développement en séries de Taylor de D(x+h) et D(x-h) au 2e ordre, pour effectivement obtenir:
D''(x,y,s) = (1/h^2) * (D(x+1,y,s)-2*D(x,y,s)+D(x-1,y,s))
Mais j'ai du mal a voir quand même pourquoi mon calcul pour passer de D' à D" est faux...
Ce n'est pas faux. C'est simplement qu'il faut poser h=0.5, et pas h=1. ;)Citation:
Envoyé par romanzo
D'(x,y,s) = (D(x+h,y,s)-D(x-h,y,s))/(2h)
D''(x,y,s) = (D'(x+h,y,s)-D'(x-h,y,s))/(2h) = ( (D(x+2h,y,s)-D(x,y,s))/(2h) - (D(x,y,s)-D(x-2h,y,s))/(2h) )/(2h) = ( D(x+2h,y,s) - 2*D(x,y,s) + D(x-2h,y,s) ) / 4h²
h=0.5 ---> D''(x,y,s) = ( D(x+1,y,s) - 2*D(x,y,s) + D(x-1,y,s) )
Ha ça me rassure!
Merci! :ccool:
Hop encore moi!
J'ai plus une question d'ordre pratique concernant l’intérêt du SIFT dans mon cas. (J'ai vu que ça avait déjà été évoqué mais finalement ce n’était pas très clair)
Je souhaite comparer 2 images de même taille, de même échelle(zoom) et qui ont déjà été recalé (dont pas vraiment d’intérêt d'avoir l' invariance par rotation).
Comme le SIFT est un détecteur qui permet d'identifier des images prises avec des angles de vue ou des zooms différents.
Donc est ce que dans mon cas:
1/ le détecteur SIFT est-il intéressant à utiliser?
2/ si oui est-il utile de calculer les histogramme orienté sachant que les images ont été recalé?
Merci encore!
Il y a deux choses a considérer dans SIFT:Citation:
Envoyé par romanzo
1. La détection des keypoint : SIFT fait une détection multi-echelle, en sélectionant la "meilleure" échelle possible pour chaque keypoint.
2. Le descripteur des keypoint : SIFT calcule un descripteur invariant au rotations et robustes aux (petites) déformations géométriques & d'éclairage.
Si tu n'as besoin ni d'invariance d'échelle, ni d'invariance aux rotations, alors il y a d'autres méthodes possibles. Par exemple FAST qui utilise une detection et un descripteur totalement différent. Ou sinon on peut effectivement simplifier la méthode SIFT en supprimant le multi-echelle ou la rotation des régions.
D'accord merci.
Par contre si on simplifie le SIFT en supprimant le multi échelle et la rotation il ne reste plus grande chose non?Citation:
Envoyé par pseudocode
D'ou SIFT n'est peut être pas la méthode appropriée dans mon cas.
Penses-tu que l'on peut quand même obtenir de bon résultat avec le SIFT dans mon cas en utilisant la totalité de l'algorithme ou est ce vraiment inutile de calculer les descripteurs si mes images sont calibrées?
Bah, il reste tout de meme le detecteur de keypoint et le calcul du descripteur. C'est déjà pas mal.Citation:
Envoyé par romanzo
Sauf cas très particulier, un descripteur est la méthode la plus rapide pour trouver des correspondances entre des nuages de points. SIFT a un très bon descripteur, ca serait dommage de ne pas l'utiliser.Citation:
Penses-tu que l'on peut quand même obtenir de bon résultat avec le SIFT dans mon cas en utilisant la totalité de l'algorithme ou est ce vraiment inutile de calculer les descripteurs si mes images sont calibrées?
Mais si tu supprime le multi échelle tu supprime aussi la détection de keypoints non? Puisque le détection de keypoints se fait grâce à la pyramide gaussienne et donc le multi échelle.