با سلام

این پست که شامل قسمت دوم از مجموعه آموزش تناظریابی تصاویر می باشدکه به آموزش الگوریتم هریس Harris می پردازد.

یکی از گام های اولیه و اساسی در تناظریابی تصاویر، استخراج نقاطی از تصویر می باشد که متمایز بوده و قابلیت تشخیص را با توجه به اطلاعات اطرافشان دارند. به این نقاط، ویژگی، نقاط کلیدی (Key points) یا نقاط مورد علاقه می گویند. معمولا نقاط گوشه نقاط مناسبی برای تناظر می باشند.

الگوریتم Moravec بعنوان یکی از روش های شناسایی کرنر از تعدادی مشکلات رنج می­برد. در این راستا، الگوریتم هریس Harris برای رفع این مشکلات توسط Harris و همکاران پیشنهاد گردید. استفاده از یک پنجره دایره­ای نرم، بسط تیلور و بکارگیری معیار جدید برای تشخیص کرنر بودن نقاط سه پیشنهاد این الگوریتم است.

اما مهمترین مطالب و موضوعاتی که آموزش الگوریتم هریس Harris شده را بطور مختصر در زیر مشاهده می نمایید:

قسمت ۲:

۱- تشریح روش هریس Harris

۲- آموزش الگوریتم هریس Harris

۳- بیان ویژگی ها، مزایا و معایب الگوریتم Harris

————————————————————————————————————————————————————————————–

هدف از تهیه این مجموعه از فیلم های آموزشی، آشنایی با مباحث تناظریابی تصویر و پیاده سازی آنها در محیط متلب است. استخراج و تطابق ویژگیهای تصویر یک مبحث اساسی در پردازش تصویر و بینایی کامپیوتر می باشد که کاربردهای زیادی در object tracking, image registration, image retrieval, و ….. دارد. تناظریابی تصویر نیز یکی از موضوعات جذاب و پرکاربردی است که می تواند به عنوان یکی از موضوعات پایان نامه، مقاله و تحقیق در مقاطع تحصیلی دانشگاهی (ارشد و دکتری) بکارگیری شود.

مجموعه فیلم های تناظریابی تصویر در ۷ قسمت مجزا تهیه شده است که سعی شده است به الگوریتم های اساسی در این زمینه بپردازد:

 

هر کدام از متدهای بالا به ترتیب برای حل مشکلات الگوریتم های قبل خود ارائه شده اند. لذا پیشنهاد بنده یادگیری هر ۷ قسمت با همدیگر و دنبال هم می باشد

امیدورام این مجموعه آموزشی بتواند کمکی در جهت یادگیری علاقه مندان در این زمینه کرده باشد.

با تشکر