Given an image, SIFT features are d

Given an image,
SIFT features are detected at different scales by using a scale space representation implemented as an image pyramid.
The pyramid levels are obtained by Gaussian smoothing and sub-sampling of the image resolution while interest points are selected as local extrema (min/max) in the scalespace.

These points (usually called keypoints) are extracted by applying a computable approximation of the Laplacian of Gaussian (LoG) following the same approach of the Hessian detector. In particular,
the SIFT algorithm approximates LoG by iteratively computing the difference between two nearby scales in the scale-space.

This idea is referred to as the Difference of Gaussians (DoG) approach. Once these keypoints are detected,
SIFT descriptors are computed at their locations in both image plane and scale-space. Each descriptor consists in a histogram of 128 elements,
obtained from a 16x16 pixels area around the corresponding keypoint.

The contribution of each pixel is obtained by calculating image gradient magnitude and direction in scale-space and the histogram is computed as the local statistics of gradient

ผลลัพธ์ (ไทย) 1:

กำหนดให้รูปภาพ พบคุณลักษณะ SIFT ที่ระดับแตกต่างกันโดยตัวแทนพื้นที่มาตราส่วนใช้เป็นปิรามิดมีรูประดับปิรามิดจะได้รับ โดย Gaussian ราบเรียบ และย่อยสุ่มตัวอย่างของความละเอียดของภาพในขณะที่จุดสนใจจะเลือกเป็นถิ่น extrema (ต่ำสุด/สูงสุด) ในการ scalespaceจุดเหล่านี้ (มักจะเรียกว่า keypoints) ที่สกัด โดยใช้ประมาณ computable ของที่ Laplacian ของ Gaussian (ล็อก) ตามวิธีการเดียวกันของเครื่องตรวจจับกระสอบ โดยเฉพาะอัลกอริทึม SIFT approximates ล็อก โดยการคำนวณซ้ำ ๆ ความแตกต่างระหว่างสองจัดมาตราส่วนในเนื้อที่ขนาดใกล้เคียง ความคิดนี้เรียกว่าวิธีผลต่าง Gaussians (สุนัข) เมื่อตรวจพบ keypoints เหล่านี้ ตัวบอก SIFT จะคำนวณที่ตำแหน่งในรูปเครื่องบินและขนาดพื้นที่ อธิบายแต่ละประกอบด้วยในฮิสโตแกรมขององค์ประกอบ 128 ได้รับจากพื้นที่ 16 x 16 พิกเซลรอบ keypoint สอดคล้องกัน สัดส่วนของแต่ละพิกเซลจะได้รับ โดยคำนวณภาพไล่ระดับขนาด และทิศทางในระดับพื้นที่และฮิสโตแกรมจะคำนวณตามสถิติของการไล่ระดับท้องถิ่น

ผลลัพธ์ (ไทย) 2:

รับภาพคุณสมบัติ SIFT มีการตรวจพบในระดับที่แตกต่างกันโดยใช้การแสดงพื้นที่ขนาดนำมาใช้เป็นปิรามิดภาพ. ระดับพีระมิดจะได้รับโดยการปรับให้เรียบเสียนและย่อยตัวอย่างของความละเอียดของภาพในขณะที่จุดที่สนใจได้รับการคัดเลือกเป็น extrema ท้องถิ่น (นาที / สูงสุด) ใน scalespace. จุดเหล่านี้ (มักจะเรียกว่า keypoints) จะถูกสกัดโดยใช้ประมาณคำนวณของ Laplacian ของเสียน (เข้าสู่ระบบ) ตามวิธีการเดียวกันของเครื่องตรวจจับรัฐ โดยเฉพาะอย่างยิ่งขั้นตอนวิธีการร่อนใกล้เคียงเข้าสู่ระบบคอมพิวเตอร์โดยซ้ำความแตกต่างระหว่างสองเครื่องชั่งที่ใกล้เคียงในขนาดพื้นที่. ความคิดนี้จะเรียกว่าเป็นความแตกต่างของ Gaussians (หมา) วิธีการที่ เมื่อ keypoints เหล่านี้มีการตรวจพบการอธิบายSIFT คำนวณ ณ สถานที่ทั้งในภาพเครื่องบินและขนาดพื้นที่ อธิบายแต่ละประกอบด้วยใน histogram 128 องค์ประกอบที่ได้รับจาก16x16 พื้นที่พิกเซลรอบ keypoint ที่สอดคล้องกัน. ผลงานของแต่ละพิกเซลจะได้รับโดยการคำนวณขนาดการไล่ระดับสีภาพและทิศทางในระดับพื้นที่และกราฟคำนวณเป็นสถิติในท้องถิ่นของการไล่ระดับสี

ผลลัพธ์ (ไทย) 3:

ให้ภาพ
ร่อนคุณสมบัติตรวจพบในระดับที่แตกต่างกัน โดยการใช้ขนาดพื้นที่การแสดงที่ใช้เป็นรูปพีระมิดพีระมิด .
ระดับได้โดยลักษณะเรียบและย่อยสุ่มตัวอย่างของความละเอียดของภาพในขณะที่จุดความสนใจเลือก Extrema ท้องถิ่น ( Min / Max ) ใน scalespace .

จุดเหล่านี้ ( มักจะเรียกว่า keypoints ) ถูกสกัดโดยใช้การคำนวณของ Laplacian ของเกาส์ ( Log ) ตามวิธีการเดียวกันของกระสอบเครื่องตรวจจับ โดย
ร่อนขั้นตอนวิธีประมาณเข้าสู่ระบบโดยซ้ำคำนวณความแตกต่างระหว่างสองใกล้เคียงระดับ ในระดับพื้นที่

ความคิดนี้จะเรียกว่าความแตกต่างของ gaussians ( สุนัข ) วิธีการเมื่อ keypoints เหล่านี้จะพบในชั้น
ร่อนที่สถานที่ของพวกเขาในทั้งภาพเครื่องบินและอวกาศระดับ แต่ละหัวเรื่องประกอบด้วยฮิส 128 องค์ประกอบ
ได้รับจาก 16x16 พิกเซล พื้นที่รอบ ๆ keypoint ที่สอดคล้องกัน

ผลงานของแต่ละพิกเซลได้โดยการคำนวณภาพไล่ระดับขนาดและทิศทางในพื้นที่ขนาดและความถี่จะคำนวณเป็นสถิติของการไล่ระดับท้องถิ่น