Görüntüde Öznitelik Vektörleri ve Eşleştirme

Görüntü öznitelikleri, ham piksel dizisini karşılaştırma ve sınıflandırma için daha kullanışlı bir temsile dönüştürür. Amaç yalnız veri miktarını azaltmak değil, görev açısından ayırt edici bilgiyi korumaktır.

Yerel ve küresel öznitelikler

Küresel tanımlayıcılar görüntünün tamamını renk, doku veya öğrenilmiş bir gömme ile özetler. Yerel tanımlayıcılar ise belirli anahtar noktaların çevresindeki yapıyı temsil eder. SIFT, SURF ve ORB bu yaklaşımın klasik örnekleridir.

Bir görüntü öznitelik vektörüne dönüştürüldüğünde eşleştirme, temsil uzayındaki uzaklık veya benzerlik problemine dönüşür.

Benzerlik ölçüleri

Öklid uzaklığı, kosinüs benzerliği ve Hamming uzaklığı farklı vektör türlerinde kullanılır. İkili tanımlayıcılarda Hamming, normalize edilmiş yoğun gömmelerde kosinüs benzerliği doğal bir seçim olabilir.

Eşleştirme hattı ön işleme, anahtar nokta seçimi, tanımlayıcı üretimi, aday bulma, geometrik doğrulama ve karar eşiği aşamalarını içerir. RANSAC benzeri yöntemler yerel eşleşmeler arasında geometrik tutarlılık arayarak yanlış adayları azaltabilir.

Büyük koleksiyonlar

Milyonlarca vektörde doğrusal tarama pahalı hale gelir. Yaklaşık en yakın komşu indeksleri, nicemleme ve hiyerarşik arama sorgu maliyetini düşürür. Vektör boyutu depolama, cache davranışı ve indeks hacmini doğrudan etkiler.

Öznitelik çıkarımı bu nedenle model, benzerlik ölçüsü ve indeks yapısıyla birlikte tasarlanan bir temsil problemidir.