Dalam teori skala-ruang representasi skala-ruang dari sinyal , (dalam hal gambar ) diberikan sebagai: mana adalah kernel gaussian dengan parameter dan adalah konvolusi. Dengan mengubah parameter kami menerima gambar yang lebih halus. Sebagai representasi hasil kasar (parameter ) tidak akan berisi objek kecil atau noise.d = 2 L ( x , y ; t ) = g ( x , y ; t ) * f ( x , y ) g ( x , y ; t ) t ∗ t t
Poin utamanya adalah menemukan cara pendeteksian fitur invarian skala, kan? Sehingga untuk beberapa gambar pada ukuran salinannya dikurangi, fitur-fitur seperti keypoints akan dideteksi dengan benar, bahkan jika ukurannya berbeda, tanpa menemukan keypoint noise lainnya.
Di koran mereka menggunakan -normalisasi turunan. . Apa arti dari menggunakan turunan -normalisasi, bagaimana hal ini membantu dalam skala-invarian?δ ξ , γ - n o r m = t γ / 2 δ x γ
Dari gambar ini kita dapat melihat bahwa di dekat posisi yang sama ditemukan titik kunci berbeda (ukurannya berbeda). Bagaimana mungkin?
Jika Anda dapat menjelaskan algoritme langkah-demi-langkah dari pendeteksian fitur invarian skala, ini akan bagus. Apa yang sebenarnya dilakukan? Derivatif dapat diambil dengan atau . Blob dapat dideteksi dengan mengambil turunan dari dengan variabel . Bagaimana turunan oleh membantu di sini?t L ( x , y ) t
Makalah yang saya baca adalah: Deteksi fitur dengan pemilihan skala otomatis