De ma part j'ai trouvé deux implémentation de l'algo SIFT de Lowe et dans les deux cas pour construire la pyramide gaussienne ( sans prendre le cas special Py[0] et après interprétation du code)
Py[i] = gaussien ( P[i-1] , sqrt ( ( sigma0 K^i )^2 - ( sigma0 K^i-1 )^2 ) avec sigma0= 1,6 K et K= 2^(1/s)
ce qui donne apres quelques simplification:
Py[i] = gaussien ( P[i-1] , 1,6 *K^(i) * Sqrt(1 -1/K^2) ) ( pour i>=1 pour i=0 c'est tjrs diff.)
En relisant le papier de Lowe au long et travers j'ai pas trouvé d'ou viens ce Sqrt !!
qui peut m'expliquer ??
( gaussien est dans la premiere implementation avec matlab c'est "imsmooth" qui est utilisée et avec le C : "cvSmooth" )
De meme je trouve pas d'ou viens nombre d'ovctave = log2( MIN(hauteur_image_initial, largeur_image_initial ) - 2;
J'ai déjà abordé ce point dans d'autres discussions. Dans son papier, Lowe raisonne avec les valeurs de "sigma", alors que la théorie des scale-space utilise des valeurs qui sont en fait des "sigma²".
- scale-space : G(t1)*G(t2) = G(t1+t2)
- Lowe: Gaussian(σ1)*Gaussian(σ2) = Gaussian(σ3) avec σ1²+σ2²=σ3²
Moralité, quand on veut monter d'un cran dans la pyramide, on cherche "w" tel que :
Gaussian( σ0 . K^i-1 ) * Gaussian( w ) = Gaussian( σ0 . K^i )
alors on a
(σ0 . K^i-1)² + w² = (σ0 . K^i)²
et donc
w = racine( (σ0 . K^i)² - (σ0 . K^i-1)² )
Conclusion ??:
Lowe s'est trompé dans son papier ? ou bien ca influence pas trop ?
Ie si je suis amener a implemente l'algo de Lowe je peux garder 1,6 K^i ??
Non, Lowe ne s'est pas trompé. J'expliquais juste qu'il utilise une notation différente de celle des scale-space, et c'est pour cela qu'on arrive a une formule du genre racine( (σ0 . K^i)² - (σ0 . K^i-1)² ).
Par contre, il y a effectivement une erreur dans la "simplification" (il y a une racine en trop)
w=racine( (σ0 . K^i)² - (σ0 . K^i-1)² ) =racine( (σ0 . K^i)² - (σ0 . K^i/K)² ) =racine( (σ0 . K^i)² . (1-1/K²) ) =(σ0 . K^i).racine(1-1/K²)
oui oui faute de frappe de ma part je l'avais rectifier avant meme que vous poster![]()
Merci alors faut peut être que je revois cette theorie de space scale plus en details si je veux mieux comprendre mais pour l'implementation je vois..sinon pour le nombre d'octave vous avez une idee??
Le nombre d'octave, c'est le nombre de fois où l'on peut réduire l'image par 2
500x500 --> 250x250 --> 125x125 --> 62x62 --> 31x31 --> 15x15 --> 7x7 --> 3x3 --> 1x1
ici, 8 réductions successives, donc 8 octaves.
C'est donc lié au Log_2, c'est à dire le nombre de puissance de 2 dans les dimensions de départ. En effet, on a 2^8=256 < 500 < 512=2^9.
Le "-2" au bout de la formule c'est pour s'arrêter avant d'atteindre des dimensions trop ridicules du genre 1x1.![]()
mais c'est pas trop aller jusqu’à la fin ?? est ce que le nombre d'octave influence sur la methode? ou bien suis libre de choisir le nombre d'octave ??
Le descripteur dans SIFT a besoin d'un voisinage 16x16, donc il ne faut pas que l'image soit plus petite que cela.
Non, ca n'influence pas le calcul, mais ca influence le nombre de descripteur que l'on peut trouver. Il faut avoir suffisamment d'images à différentes échelles pour trouver des descripteurs intéressants.est ce que le nombre d'octave influence sur la methode? ou bien suis libre de choisir le nombre d'octave ??
pourquoi le seuillage par rapport a 0.5*thr_contr/ S avant la detection des extremum ( je trouve pas dans le papier de low ce qui indique ca et surtout que thr_contr= 0.04 )
et pourquoi ils ont fait un seuillage apres interpolation par rapport a th_contr/S au lieu de 0.03 de low ( d'ou vient ce /S tjrs )
lool oki cela veut dire que dans Low y a pas ça c'est ce qui m'importe
Dans leur implémentation lors du calcul de l'orientation du point d’intérêt et après la creation de l'histogramme ils procèdent a une phase de lissage ( qui se fait 2 fois ) et qui se fait comme suit :
h[i]= 0.25 h[i-1] + 0.5 h[i] + 0.25 h[i+1] ( en manipulant h d'une maniere circulaire)
Je trouve pas une indication dans le papier de Low qui parle de ça..
Est ce que cette phase parrait quelques part dans le papier de Low car ca m'arrive a echapper des ptit details dans le papier
Bonjour Pseudocode je vais vous embeter encore une fois la je plante je vois pas dans ce code d'ou vient ces calcule la pour la creation du discripteur
Voici le code
Code : Sélectionner tout - Visualiser dans une fenêtre à part
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143 /* Computes the 2D array of orientation histograms that form the feature descriptor. Based on Section 6.1 of Lowe's paper. @param img image used in descriptor computation @param r row coord of center of orientation histogram array @param c column coord of center of orientation histogram array @param ori canonical orientation of feature whose descr is being computed @param scl scale relative to img of feature whose descr is being computed @param d width of 2d array of orientation histograms @param n bins per orientation histogram @return Returns a d x d array of n-bin orientation histograms. */ static double*** descr_hist( IplImage* img, int r, int c, double ori, double scl, int d, int n ) //scl=ddata->scl_octv, d=4 , n=8 ); { double*** hist; double cos_t, sin_t, hist_width, exp_denom, r_rot, c_rot, grad_mag, grad_ori, w, rbin, cbin, obin, bins_per_rad, PI2 = 2.0 * CV_PI; int radius, i, j; hist = calloc( d, sizeof( double** ) ); for( i = 0; i < d; i++ ) { hist[i] = calloc( d, sizeof( double* ) ); for( j = 0; j < d; j++ ) hist[i][j] = calloc( n, sizeof( double ) ); } cos_t = cos( ori ); sin_t = sin( ori ); bins_per_rad = n / PI2; exp_denom = d * d * 0.5; hist_width = 3* scl; radius = hist_width * sqrt(2) * ( d + 1.0 ) * 0.5 + 0.5; for( i = -radius; i <= radius; i++ ) for( j = -radius; j <= radius; j++ ) { /* Calculate sample's histogram array coords rotated relative to ori. Subtract 0.5 so samples that fall e.g. in the center of row 1 (i.e. r_rot = 1.5) have full weight placed in row 1 after interpolation. */ c_rot = ( j * cos_t - i * sin_t ) / hist_width; r_rot = ( j * sin_t + i * cos_t ) / hist_width; rbin = r_rot + d / 2 - 0.5; cbin = c_rot + d / 2 - 0.5; if( rbin > -1.0 && rbin < d && cbin > -1.0 && cbin < d ) if( calc_grad_mag_ori( img, r + i, c + j, &grad_mag, &grad_ori )) { grad_ori -= ori; while( grad_ori < 0.0 ) grad_ori += PI2; while( grad_ori >= PI2 ) grad_ori -= PI2; obin = grad_ori * bins_per_rad; w = exp( -(c_rot * c_rot + r_rot * r_rot) / exp_denom ); interp_hist_entry( hist, rbin, cbin, obin, grad_mag * w, d, n ); } } return hist; } /* Interpolates an entry into the array of orientation histograms that form the feature descriptor. @param hist 2D array of orientation histograms @param rbin sub-bin row coordinate of entry @param cbin sub-bin column coordinate of entry @param obin sub-bin orientation coordinate of entry @param mag size of entry @param d width of 2D array of orientation histograms @param n number of bins per orientation histogram */ static void interp_hist_entry( double*** hist, double rbin, double cbin, double obin, double mag, int d, int n ) { double d_r, d_c, d_o, v_r, v_c, v_o; double** row, * h; int r0, c0, o0, rb, cb, ob, r, c, o; r0 = cvFloor( rbin ); c0 = cvFloor( cbin ); o0 = cvFloor( obin ); d_r = rbin - r0; d_c = cbin - c0; d_o = obin - o0; /* The entry is distributed into up to 8 bins. Each entry into a bin is multiplied by a weight of 1 - d for each dimension, where d is the distance from the center value of the bin measured in bin units. */ for( r = 0; r <= 1; r++ ) { rb = r0 + r; if( rb >= 0 && rb < d ) { v_r = mag * ( ( r == 0 )? 1.0 - d_r : d_r ); row = hist[rb]; for( c = 0; c <= 1; c++ ) { cb = c0 + c; if( cb >= 0 && cb < d ) { v_c = v_r * ( ( c == 0 )? 1.0 - d_c : d_c ); h = row[cb]; for( o = 0; o <= 1; o++ ) { ob = ( o0 + o ) % n; v_o = v_c * ( ( o == 0 )? 1.0 - d_o : d_o ); h[ob] += v_o; } } } } } } static int calc_grad_mag_ori( IplImage* img, int r, int c, double* mag, double* ori ) { double dx, dy; if( r > 0 && r < img->height - 1 && c > 0 && c < img->width - 1 ) { dx = pixval32f( img, r, c+1 ) - pixval32f( img, r, c-1 ); dy = pixval32f( img, r-1, c ) - pixval32f( img, r+1, c ); *mag = sqrt( dx*dx + dy*dy ); *ori = atan2( dy, dx ); return 1; } else return 0; }
Je suppose que ca
hist_width = 3* scl;
radius = hist_width * sqrt(2) * ( d + 1.0 ) * 0.5 + 0.5;
est relatif a la taille des 4*4 carree dans le cas de Low on va prendre directement radius= 7 ( je sai pas si on peut se permettre ca vu que c et r c'est des entiers)
mais j'arrive pas a voir ces c_rot ,r_rot ,rbin et cbin
d'apres vos posts j avais compris qu une simplification par rapport a Low va etre la suivante:
Ce code est il juste
Code : Sélectionner tout - Visualiser dans une fenêtre à part
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44 static double*** descr_hist( IplImage* img, int r, int c, double ori, double scl, int d, int n ) //scl=ddata->scl_octv, d=4 , n=8 ); { double*** hist; int radius, i, j; hist = calloc( 4, sizeof( double** ) ); for( i = 0; i < 4; i++ ) { hist[i] = calloc( 4, sizeof( double* ) ); for( j = 0; j < 4; j++ ) hist[i][j] = calloc( 8, sizeof( double ) ); } exp_denom = 4 * 4 * 0.5; for( i = -7; i <= 8; i++ ) for( j = -7; j <= 8; j++ ) { if( calc_grad_mag_ori( img, r + i, c + j, &grad_mag, &grad_ori )) { grad_ori -= ori; while( grad_ori < 0.0 ) grad_ori += PI2; while( grad_ori >= PI2 ) grad_ori -= PI2; w = exp( -(i * i + j* j) / exp_denom ); // la est le pb est ce qu'il faut garder i et j ? distance= sqrt( i*i+j*j) v= w* Max ((1-distance),0) * grad_mag for ( t=0; t<=7; t++) if ( grad_ori < t* 45){ hist[(7+i) Div 4][(7+j) Div 4][t-1] += v * (t*45-grad_ori)/45 hist[(7+i) Div 4][(7+j) Div 4][t] += v * (grad_ori-(t-1)*45)/(5 break; } } } return hist; }
d'un autre part cette façon de faire avec la distribution sur les deux Bins les plus proche est elle utilisée même lors de la création du premier histogramme pour la détection de l'orientation
car dans le même code que j’étudie il utilise plutôt Hist [36*(Ori+pi)/2pi]=w*Mag
( par contre comme je l'avais mentionné il procède a un certain lissage de l'histogramme après sa construction )
oui, je le suppose aussi. Je ne vois pas trop ce que vient faire le "3*scl" dans l'histoire, mais passons.
a mon avis : c= column, r=rowmais j'arrive pas a voir ces c_rot ,r_rot ,rbin et cbin
c_rot = colonne après rotation (pour aligner avec l'orientation)
r_rot = ligne après rotation
rbin et cbin, ca a l'air d'être les coordonnées du pixels, en bidouillant c_rot et r_rot pour tomber "au milieu" des cases.
Hum... je ne me souvient pas avoir dit qu'on pouvait simplifier quoi que ce soit.d'apres vos posts j avais compris qu une simplification par rapport a Low va etre la suivante
i²+j² ca représente la distance (au carré) du pixel au centre du patch. Ce n'est donc pas sensible a l'orientation. Tu peux donc garder i et j.w = exp( -(i * i + j* j) / exp_denom ); // la est le pb est ce qu'il faut garder i et j ?
J'en sais rien.Ce code est il juste![]()
Je ne vois pas trop où est passé la rotation pour aligner le patch avec l'orientation dominante.
EDIT: Oui, il faut distribuer la valeur de l'orientation sur les 2 bins les plus proches dans l'histogramme 36 bins.d'un autre part cette façon de faire avec la distribution sur les deux Bins les plus proche est elle utilisée même lors de la création du premier histogramme pour la détection de l'orientation
(je n'avais pas compris la question.)
La suis daccord mais c'est la formule que je vois pas comment elle est faite avec un / width_histc_rot = colonne après rotation (pour aligner avec l'orientation)
r_rot = ligne après rotation
rbin et cbin, ca a l'air d'être les coordonnées du pixels, en bidouillant c_rot et r_rot pour tomber "au milieu" des cases.
Non non j'ai pas parler non plus de simplifier Lowe c'est simplifier le code que j'ai pour coincider avec LoweHum... je ne me souvient pas avoir dit qu'on pouvait simplifier quoi que ce soit.
Je ne vois pas trop où est passé la rotation pour aligner le patch avec l'orientation dominante.
Cela ve dire qu'il faut prendre la fenetre de 16*16 par rapport a l'axe lier a l'orientation ?? ( chose que j'ai pas pris en compte)
et l'orientation des pixel autour du point d'interet va etre ori_pixelt - ori_pointd'interet
Est ce que ca rentre ailleur aussi ??
Une derniere question pour le discripteur ( esperons lool :p)
Pour la disatance d
each entry into a bin is multiplead by a weiight of 1-d for each dimension where d is the disatance of the sample from the central value of the bin as measured in units of the histogram bin spacing
c'est la distance entre le pixel et le centre du carré qui le contient parmi les 16 carré ?
la magnitude du pixel ne diffère toujours pas après rotation c'est celle liee a l'image sans rotation sans rien
SQRT ((L(x+1,y)- L(x-1,y ))^2 +( L(x,y+1)-L(x,y-1))^2 ))
C'est la distance entre le pixels et le centre d'un des 4 patchs (4x4) adjacent.
Une petite image pour que ca soit plus clair.
à répéter pour les 3 autres patchs : noirs, bleu et vert.
PS : ne pas oublier de pré-multiplier la norme du gradient par la gaussienne centrée sur le patch 16x16.
suis très reconnaissante pour l'illustration super bien faite la vérité j étais loin de comprendre ça Je croyais que le pixel orange n'allais influencer que l'histogramme du patch noir chose qui a l'air complètement fausse aparament et ce qui m'embete le plus c'est que j'arrive pas a voir ca dans le papier de Lowe directement.
juste une autre question
1-qu'est ce que vous appelez adjacent ? j'ai essayée d'analyser votre raisonnement et comment avoir que 4 patch adjacent je n'est trouvee qu'une seule interpretation ..le pixel influence sur les histogrammes des patch dont sa distance horisontal et vertical de leurs centre est inferieure a 4C'est la distance entre le pixels et le centre d'un des 4 patchs (4x4) adjacent.
cela est il vrai ? dans ce cas est ce que l image illustrative est juste?
2-cette manipulation se fait pour tout les pixel pas seuls dans les patch des frontieres ??
3- ie : exp( -(i * i + j* j) /( 4*4*0.5)) ( ou i et j sont pris par rapport au point d'interet ) ??PS : ne pas oublier de pré-multiplier la norme du gradient par la gaussienne centrée sur le patch 16x16.
4- Pour la normalisation du vecteur discripteur "to unit length" cela veut dire ca ??:: ( enfin moi j'avais pas compris qu'est ce que ca veut dire unit length mais d'apres le code c'est la racine des somme des carres )
PS: je reviens sur un petit point pour l'assurer concernant le calcul de l'orientation du point d’intérêt ..lors de la création de l'histogramme si 0<tetha<10 c'est hist[0] qui reçoit le mag n'est-ce pas
Code : Sélectionner tout - Visualiser dans une fenêtre à part
1
2
3
4 pour ( i=0 , i< longeur_du_vecteur, i++) l += v[i]*v[i] pour ( i=0 , i< longeur_du_vecteur, i++) v[i]= v[i]/ sqrt( v[i] )
Vraiment dsl pour tous ce derrangement
Voici l'image : http://www.imagup.com/data/1121684450.html
![]()
Vous avez un bloqueur de publicités installé.
Le Club Developpez.com n'affiche que des publicités IT, discrètes et non intrusives.
Afin que nous puissions continuer à vous fournir gratuitement du contenu de qualité, merci de nous soutenir en désactivant votre bloqueur de publicités sur Developpez.com.
Partager