Site Loader
Rock Street, San Francisco

Approche basée sur le modèle 

Pour les modèles sans caractéristiques fortes, ou lorsque la majeure partie
de l’image de modèle constitue l’image correspondante, une approche basée sur
un modèle peut être efficace, étant donné que la correspondance de gabarit
basée sur un modèle peut nécessiter potentiellement un échantillonnage d’un
grand nombre de points, il est possible de réduire le nombre de points d’échantillonnage
en réduisant la résolution des images de recherche et de gabarit par le même
facteur et en effectuant l’opération sur le (Multi-résolution, ou Pyramide , fournissant une fenêtre de recherche de points de données dans l’ image de recherche de sorte que le modèle ne doit pas chercher tous les points de données
viables, ou une combinaison des deux.

We Will Write a Custom Essay Specifically
For You For Only $13.90/page!


order now

Suivi de mouvement et manipulation d’occlusion 

Dans les cas où le modèle ne peut pas fournir une correspondance directe, il
peut être utile de mettre en œuvre l’utilisation d’ eigenspaces – modèles qui
détaillent l’objet correspondant sous un certain nombre de conditions
différentes, telles que des perspectives, des éclairages, des contrastes de
couleur ou un objet correspondant acceptable «Pose». 7 Par exemple, si l’utilisateur recherchait un visage, les eigenspaces
peuvent être constitués d’images (gabarits) de visages à différentes positions
de la caméra, dans des conditions d’éclairage différentes ou avec des
expressions différentes.

Il est également possible que l’image d’adaptation soit obscurcie, ou
occlus par un objet; Dans ces cas, il est déraisonnable de fournir une
multitude de modèles pour couvrir chaque occlusion possible. Par exemple,
l’image de recherche peut être une carte à jouer et, dans certaines images de
recherche, la carte est obscurcie par les doigts d’une personne qui tient la
carte ou par une autre carte au-dessus ou par un objet devant la caméra
d’ailleurs. Dans les cas où l’objet est malléable ou poseable, le
mouvement devient également un problème et les problèmes impliquant à la fois
le mouvement et l’occlusion deviennent ambigus. 8 Dans ces cas, une solution possible consiste à diviser l’image du
modèle en plusieurs sous-images et à effectuer une correspondance sur chaque
subdivision.

Modèles déformables dans l’anatomie

La correspondance de modèles est un outil central dans l’ anatomie computationnelle (CA). Le modèle de modèle déformable 9 modélise l’espace des anatomies humaines est une orbite sous l’action
collective des difféomorphismes. La correspondance entre les modèles se
pose comme un problème de correspondance du difféomorphisme inconnu qui agit
sur le modèle pour correspondre à l’image cible.

Les algorithmes d’appariement de modèles dans CA sont appelés LDDMM , Mappage
métrique difféomorphe de déformation importante ; Il existe maintenant des algorithmes de correspondance de
modèles LDDMM pour correspondre à des repères, des courbes, des surfaces,
des volumes .

Modélisation et convolution à partir de modèles

Une méthode de base
d’ adaptation de modèle utilise
un masque de convolution (modèle), adapté
à une caractéristique
spécifique de l’image de recherche , que nous
voulons détecter. Cette technique peut être facilement réalisée sur des
images grises ou des images de bord . La sortie
de convolution sera la plus élevée à des endroits où la structure d’image
correspond à la structure de masque, où les grandes valeurs d’image sont
multipliées par de grandes valeurs de masque.

Cette méthode est normalement mise en œuvre en sélectionnant d’abord une
partie de l’image de recherche à utiliser comme modèle: Nous appellerons
l’image de recherche S (x, y) , où (x, y) représentent
les coordonnées de chaque pixel de l’image de recherche . Nous appellerons
le modèle T (x t , y t ) ,
où (x t , y t ) représentent
les coordonnées de chaque pixel dans le modèle. On déplace ensuite le
centre (ou l’origine) du modèle T (x t , y t ) sur
chaque point (x, y) de l’image de recherche et calcule la
somme des produits entre les coefficients de S (x, y) Et T
(x t , y t ) sur toute la
zone traversée par le gabarit. Comme toutes les positions possibles du
gabarit par rapport à l’image de recherche sont considérées, la position avec
le score le plus élevé est la meilleure position. Cette méthode est
parfois appelée «filtrage spatial linéaire» et le modèle est appelé masque de filtre. Par exemple, une façon de
traiter des problèmes de traduction sur des images, en utilisant la
correspondance de modèle est de comparer les intensités des pixels , en utilisant
la mesure SAD ( somme
des différences absolues ). Un pixel dans
l’image de recherche avec les coordonnées (x s ,
y s ) a l’intensité I s (x s ,
y s ) et un pixel dans le modèle avec les
coordonnées (x t , y t ) a
l’intensité I t (x t ,
y T ). Ainsi, la différence absolue dans les intensités des pixels est définie comme Diff
(x s , y s , x t ,
y t ) = | I s (x s ,
y s ) – I t (x t ,
y t ) | .  { Displaystyle SAD (x, y) = somme _ {i = 0} ^ {T _ { text
{lignes}}} Text {Diff}} (x + i, y + j, i, j)}}La représentation
mathématique de l’idée sur la boucle à travers les pixels dans l’image de
recherche que nous traduisons l’origine du modèle à chaque pixel et de prendre
la mesure SAD est la suivante:

 { Displaystyle sum _ {x
= 0} ^ {S _ { text {} {}S lignes et S cols désignent
les lignes et les colonnes de l’image de recherche   et T lignes et T cols désignent
respectivement les lignes et les colonnes de l’image de modèle. Dans cette
méthode, le score SAD le plus bas donne l’estimation de la meilleure position
du modèle dans l’image de recherche. La méthode est simple à mettre en
œuvre et à comprendre, mais c’est l’une des méthodes les plus lentes.

Post Author: admin

x

Hi!
I'm Glenda!

Would you like to get a custom essay? How about receiving a customized one?

Check it out