roboforum.ru

=DeaD= писал(а):Я почему-то все это время думал, что обсуждал конкретное ваше предложение использовать конкретную функцию сравнения с конкретными дескрипторами = гистограммами. А у вас теперь всё шире оказывается, как так?

все это время в рамках топика я обсуждал чем г-ма лучше ср.цв. Ну надеюсь уже понятно чем (в плане меры). А как там оно реализуется быстро - это к микросхемникам ворпрос, а не к программерам =)ж

GraphD писал(а):

=DeaD= писал(а):Я почему-то все это время думал, что обсуждал конкретное ваше предложение использовать конкретную функцию сравнения с конкретными дескрипторами = гистограммами. А у вас теперь всё шире оказывается, как так?

все это время в рамках топика я обсуждал чем г-ма лучше ср.цв. Ну надеюсь уже понятно чем (в плане меры). А как там оно реализуется быстро - это к микросхемникам ворпрос, а не к программерам =)ж

Так и чем же они лучше? Мне вот до сих пор непонятно. Укажите хорошую функцию оценивающую различие между двумя гистограммами. Желательно быструю. А микросхемников и полный перебор можно попросить в железяки загнать, так-то...

=DeaD= писал(а):Так и чем же они лучше? Мне вот до сих пор непонятно. Укажите хорошую функцию оценивающую различие между двумя гистограммами. Желательно быструю. А микросхемников и полный перебор можно попросить в железяки загнать, так-то...

Надо смотреть по ситуации. Допустим в классических 128-координатных sift-дескрипторах можно брать евклидову разность векторов, а мера различия (норма разности векторов) какая угодно впринципе. Ну допустим у вас в БД хранится 100000 паспортных фоток, сами знаете какого качества и насколько вцелом между собой похожие. Вам поставили задачу написать поисковик человека по скану фото с оригинала паспорта. Ваши действия? Ну думаю сразу встанет проблема: для таких тонких поисков нужны и тонкие различия, которые естественно разрастаются по размерности признаков. Поэтому все признаки, которые больше по размерности имеют и больше шансов отличить нужную фотку среди остальных.

GraphD писал(а):

=DeaD= писал(а):Так и чем же они лучше? Мне вот до сих пор непонятно. Укажите хорошую функцию оценивающую различие между двумя гистограммами. Желательно быструю. А микросхемников и полный перебор можно попросить в железяки загнать, так-то...

Надо смотреть по ситуации. Допустим в классических 128-координатных sift-дескрипторах можно брать евклидову разность векторов, а мера различия (норма разности векторов) какая угодно впринципе. Ну допустим у вас в БД хранится 100000 паспортных фоток, сами знаете какого качества и насколько вцелом между собой похожие. Вам поставили задачу написать поисковик человека по скану фото с оригинала паспорта. Ваши действия? Ну думаю сразу встанет проблема: для таких тонких поисков нужны и тонкие различия, которые естественно разрастаются по размерности признаков. Поэтому все признаки, которые больше по размерности имеют и больше шансов отличить нужную фотку среди остальных.

Мало того что конкретную функцию так и не назвали, так еще и задачу умудрились подменить к концу обсуждения

=DeaD= писал(а):Мало того что конкретную функцию так и не назвали, так еще и задачу умудрились подменить к концу обсуждения

А какую задачу вы решаете?
В отличие от разности скаляров, векторную разность можно характеризовать той нормой, которая из тех или иных соображений лучше, поэтому конкретную и не называю. (В тесте сравнивались длины векторов г-мм.)

GraphD писал(а):А какую задачу вы решаете?
В отличие от разности скаляров, векторную разность можно характеризовать той нормой, которая из тех или иных соображений лучше, поэтому конкретную и не называю. (В тесте сравнивались длины векторов г-мм.)

Как какую задачу? В теме написано - распознавание образа А вы какую?
И приведите уже конкретную норму для гистограмм, эффективную в данной задаче или сознайтесь что не про это вообще говорили и гистограммы не применимы для эффективного сравнения образов.

=DeaD= писал(а):Как какую задачу? В теме написано - распознавание образа А вы какую?
И приведите уже конкретную норму для гистограмм, эффективную в данной задаче или сознайтесь что не про это вообще говорили и гистограммы не применимы для эффективного сравнения образов.

Почему оно Тупое?
А какие подзадачи составляют это распознавание?
Норму не привожу, чтоб не пудрить мозги частностями , как хотите так и выберите дескриптор его и норму. PS Можно евклидову норму. А можно и "гауссово окно", не прямоугольник, а круг, где каждый пиксель идет с весом равным ф-ии гаусса относительно центра, так повышается стабильность к некот. вещам. Это окно эквивалентно расчету взвешенной нормы разностей г-мм. НУ и т.д.

GraphD писал(а):Норму не привожу, чтоб не пудрить мозги частностями , как хотите так и выберите дескриптор его и норму. PS Можно евклидову норму. А можно и "гауссово окно", не прямоугольник, а круг, где каждый пиксель идет с весом равным ф-ии гаусса относительно центра, так повышается стабильность к некот. вещам. Это окно эквивалентно расчету взвешенной нормы разностей г-мм. НУ и т.д.

Прям как в притче - "и женись и не женись"

Ну то есть вы не сознаетесь, что не можете сказать ничего конкретного?

=DeaD= писал(а):Ну то есть вы не сознаетесь, что не можете сказать ничего конкретного?

Не понимаю чем не устраивают нормы, приведенные в "PS"...

Думаю, надо просто дождаться когда кто-либо их сравнит (помимо меня, если уж так не верите) в одной проге и выложит.
Интересный род софта, так наверняка некое распознавание есть: http://www.talka-tdv.ru/, http://www.photomodeler.com? (Качать правда много, демо версию.)

GraphD писал(а):Не понимаю чем не устраивают нормы, приведенные в "PS"...

Вопрос в целесообразности использования этих норм - какую производительность операции сравнения они дадут? Не соизмеримую ли с тупым попиксельным сравнением уменьшенного изображения?

=DeaD= писал(а):Вопрос в целесообразности использования этих норм - какую производительность операции сравнения они дадут? Не соизмеримую ли с тупым попиксельным сравнением уменьшенного изображения?

Соизмеримую, только попиксельная разность дает колоссальную ошибку при вращении и сдвиге в образцах сравнения, вы же не будете их вращать на каждой позиции или как?
(при этом обладая относительной устойчивостью к яркостным различиям и малому шуму)
.

Соизмеримую..

Ну в таком случае это не подходит =)

GraphD писал(а):

=DeaD= писал(а):Вопрос в целесообразности использования этих норм - какую производительность операции сравнения они дадут? Не соизмеримую ли с тупым попиксельным сравнением уменьшенного изображения?

Соизмеримую, только попиксельная разность дает колоссальную ошибку при вращении и сдвиге в образцах сравнения, вы же не будете их вращать на каждой позиции или как?
(при этом обладая относительной устойчивостью к яркостным различиям и малому шуму)
.

Уже плохая производительность с потенциальной экономией только на поворотах.
При ОТНОСИТЕЛЬНОЙ(?????) устойчивости к яркостным различиям.

Вопрос в этой относительности - где оценка сверху ошибки, которую может сгенерить ваш дескриптор, на малых ошибках СКО попиксельной? (то есть картинки реально очень похожие). Я приводил пример уже с гистограммами и сравнением с моим методом.

А то будет как в анекдоте про архиватор :
- Ученые разработали архиватор который любой файл сжимает до 1 байта,
- Теперь ученые работают над раз-архиватором.

=DeaD= писал(а):Вопрос в этой относительности - где оценка сверху ошибки, которую может сгенерить ваш дескриптор, на малых ошибках СКО попиксельной? (то есть картинки реально очень похожие). Я приводил пример уже с гистограммами и сравнением с моим методом.

Что вы имеете ввиду под ошибкой сверху?
1. Если определиться с дисперсией шума, то наверно можно теоретически найти вероятность попадения пикселя не в свой столбик.
2. О макс. погрешности: ну ваш пример возьмем. Бесконтрастные монотонные образцы двух близких цветов попадают в разные столбики => простая разность г-мм уходит в максимум. Г-мы этих двух изображений выглядят как непересекающиеся узкие всплески, отсюда делается вывод об их максимальном различии. Это не совсем нормально при оценке "глобальной" близости монотонных образцов и соответствует ортогональности, когда рассматриваем г-мы как вектора. На практике, насколько я понимаю, монотонные зоны либо не рассматриваются как образцы, либо такие случаи редки, ибо там нечего сравнивать, можно кстати находить границы монотонных зон и сравнивать их.

GraphD писал(а):2. О макс. погрешности: ну ваш пример возьмем. Бесконтрастные монотонные образцы двух близких цветов попадают в разные столбики => простая разность г-мм уходит в максимум. Г-мы этих двух изображений выглядят как непересекающиеся узкие всплески, отсюда делается вывод об их максимальном различии. Это не совсем нормально при оценке "глобальной" близости монотонных образцов и соответствует ортогональности, когда рассматриваем г-мы как вектора. На практике, насколько я понимаю, монотонные зоны либо не рассматриваются как образцы, либо такие случаи редки, ибо там нечего сравнивать, можно кстати находить границы монотонных зон и сравнивать их.

Вы вот сейчас сами поняли, что сказали, если руководствоваться только написанным?

В любом случае на конкреный предлагаемый алгоритм это не сильно похоже.

Уже отступитесь или конкретное предложение дайте с оценками - насколько различие ваших дескрипторов позволяет выделить различия в попиксельном СКО.

PS: А говорю я вот о чем - вы должны указать при каких значениях оценки разности дескрипторов вы принимаете решение об отсечке, - то есть, что это место не анализируем и переходим к следующему фрагменту, и дать оценку в этом случае попиксельному СКО, ведь оно должно быть гарантированно больше некоторого значения, иначе вы с большой вероятностью пропустили искомый вами фрагмент. Из большой разности в среднем цвете гарантированно следует большое попиксельное СКО, а у вас из большого различия дескрипторов пока ничего не следует. Покажите, что у вас есть способ сравнивать дескрипторы, гарантирующий для отсечки некоторую минимальную величину попискельного СКО и тогда ваш алгоритм можно будет использовать.