مقاله ای که امروز معرفی میکنیم (Distinctive Image Features from Scale-Invariant Keypoints)، مقاله ی مرجع الگوریتم بسیار معروف و پرطرفدار SIFT در حوزه ی پردازش تصویر است.
الگوریتم SIFT یک استراتژی تناظریابی مبتنی بر ویژگی 1 است که توسط Lowe وجهت فرآیند شناسایی الگو در تصاویر بصری ارائه شده و از دو مرحله اصلی شامل استخراج ویژگی و ایجاد توصیفگر، تشکیل شده است. این الگوریتم اساسا برای حل مساله اختلاف مقیاس میان تصاویر طراحی شده و به علاوه مستقل از اختلافات چرخشی میان تصاویر بوده و در برابر اختلافات روشنایی، تغییر شکل ناشی از تغییر منظر اخذ تصویر و نویز نیز پایدار است.
در بخش اول این الگوریتم، موقعیتهایی از تصویر که مستقل از مقیاس و چرخش هستند، با شناسایی اکسترممهای محلی تابع DoG که تقریبی از لاپلاسین نرمالیزه ی تصویر میباشند، استخراج میگردند. برای این منظور با بکارگیری از یک استراتژی هرمی و استفاده از تابع DoG ویژگیهای پایدار تصویر استخراج شده و به منظور انجام تناظریابی تغییرناپذیر نسبت به مقیاس، برای هر ویژگی استخراج شده یک پارامتر مقیاس نیز انتخاب میشود، لذا میتوان با انتخاب یک همسایگی منحصر به فرد در اطراف ویژگی نظیر در تصاویر مختلف، فرآیند تناظریابی را مستقل از اختلاف مقیاس میان آنها انجام داد.
بی شک این ترجمه که به همراه توضیحات فنی تکمیلی راجع به الگوریتم ارائه شده است، بهترین منبع موجود برای یادگیری الگوریتم SIFT می باشد.
مقاله ی اصلی به همراه ترجمه ی هدفمند این مقاله رو می توانید در همین صفحه دریافت کنید.
ترجمه و توضیح مقاله ی مرجع الگوریتم Distinctive Image Features from Scale-Invariant Keypoints - SIFT