Компьютеры были созданы для того, чтобы работать с числами. Необходимость наделить их зрением возникла относительно недавно. Распознавание номерных знаков автомобилей, штрихкодов на товарах, анализ записей с камер наблюдения, поиск лиц на фото, создание роботов, умеющих и обходить препятствия, — всё это задачи, которые требуют от компьютера способности «видеть» и интерпретировать увиденное. Набор методов, позволяющих обучить машину извлекать информацию из изображения - будь то картинка или видеозапись, - называется компьютерным зрением.
В отличие от человека, компьютер оперирует не образами, а числами. Для машины изображение — это набор пикселей, у каждого из которых есть своё значение яркости или цвета. Чтобы машина смогла получить представление о содержимом картинки, изображение обрабатывают с помощью специальных алгоритмов.
Сначала на картинке выявляют потенциально значимые места или по-другому - особые точки (ключевые точки; особенности). Особые точки - это точки, которые в идеале не должны меняться, при изменении или модификации изображения. После того как значимые места найдены, их описывают в числах. Описание значимого места в числах называют дескриптором. С помощью дескрипторов можно быстро, полно и точно сравнить фрагменты изображения. В свою очередь, дескрипторы должны обеспечивать инвариантность нахождения соответствия между особыми точками относительно преобразований изображений. Существует множество разных алгоритмов получения дескрипторов - например, SIFT, SURF, HOG и другие.
Почти каждый алгоритм подвергает обработке оригинальное изображение. Указанный выше SIFT, использует пирамиду разности гаусси- ан(ВоС). Это подразумевает, что исходную картинку несколько раз подвергают размытию по Гауссу, каждый раз используя разный радиус размытия. Затем результаты сравнивают друг с другом. В этой же работе исследован и реализован алгоритм, который ищет особые точки на одном из уровней разложения после вейвлет преобразования.
Вейвлет Ф (t) (короткая волна, всплеск) - это волновая форма сигнала, которая имеет ограниченную длину и среднее значение ноль.
Задача компьютерного зрения до сих пор решается и пока не существует универсального алгоритма подходящего под все ситуации. Данная работа относится к области распознавания изображения, в которой особенности ищут после преобразования. Эта работа может быть полезна для разработки нейросети решающую задачи трекинга объектов, кластеризации, где данный алгоритм будет детектировать объекты на изображении. В данной работе была использована многопоточность для преобразования и поиска особых точек одновременно и на объекте и на сцене. Но многопоточность можно применить непосредственно при вейвлет преобразовании. Простейший алгоритм для распределения вычислений на потоки:
• делить изображение несколько частей;
• преобразовывать каждую часть последовательно по строкам и по столбцам;
• собрать изображение из преобразованных частей.
