Utilizao de Sinais

Esparsos para
identificao de
Pontos Chave
N OM E : V I N CIUS OR M E NESSE
V I S O COMP UTACI ONA L
P ROF. DR . : F E R NA NDO T E U BL

Introduo
Utilizar o mtodo SIFT introduzido pelo
professor em aula e realizado em
laboratrio como modo comparativo para o
desenvolvimento de um novo mtodo que
seja livre de patente e possa ser utilizado por
todos. O novo mtodo utilizado baseado
principalmente em sinais esparsos.

Algoritmo SIFT
SIFT composto por duas partes distintas: o detector e o descritor. O
detector SIFT baseado em clculos de diferena de Gaussianas e o
descritor SIFT utiliza histogramas de gradientes orientados para
descrever a vizinhana local dos pontos de interesse.
O algoritmo SIFT executado atravs de quatro etapas principais:
Deteco de extremos, localizao de pontos-chave, definio da
orientao e descrio dos pontos-chave. As duas primeiras descrevem
a parte do detector e as duas seguintes descrevem a formao do
descritor.

Passos SIFT
Deteco de Extremos:

A primeira etapa da tcnica SIFT consiste em buscar pontos que sejam

invariantes a mudanas de escala da imagem. Tal objetivo alcanado
procurando caractersticas estveis em diferentes escalas, utilizando
uma funo chamada de espao de escala, que neste caso a funo
Gaussiana.
A eficincia da busca por pontos-chaves aumentada com a utilizao
de uma funo DoG (Difference of Gaussian) formada pela diferena
de imagens filtradas em escalas prximas, separadas por uma constante
de escala k.

Passos SIFT

Fonte: [8].

Passos SIFT
A partir de ento, ser feita a deteco de extremos em cada intervalo
de cada oitava. Um extremo definido como qualquer valor no DoG
maior do que todos os seus vizinhos no espao-escala.
Os extremos so dados por valores de mximo ou mnimo locais para
cada D(x,y,), que podem ser obtidos comparando-se a intensidade de
cada ponto com as intensidades de seus oito vizinhos na sua escala,
com os nove pontos vizinhos na escala superior, e os nove vizinhos na
escala inferior. Depois se faz o descarte de pontos instveis.

Passos SIFT
Atribuio de Orientao dos Descritores:

Calcula-se para cada amostragem da imagem na escala,L(x,y,), a

magnitude m(x,y) e orientao (x,y)do gradiente usando as diferenas
de pixels:

Fonte: [8].

Passos SIFT
Construo do Descritor Local:

Fonte: [8].

Passos SIFT
Matching: Encontrando os Pontos em Comum

Fonte: [8].

Sinais Esparsos
Um sinal esparso fundamentalmente aquele em que predominam, no
domnio temporal ou em algum outro domnio relevante, valores nulos
ou prximo de zero, sendo que poucos componentes possuem a maior
parte da energia do sinal.

Representao da Esparsidade
do Sinal:
O problema em encontrar um sinal esparso atravs de coecientes
computados, x, baseados em um sinal y e um dicionrio D. Esse
processo comumente conhecido como decomposio atmica. Dado
que:

E isso comumente feito por um algoritmo de buscar que tem a

nalidade de encontrar uma soluo aproximada, a exata soluo do
sinal esparso tida como um problema de difcil soluo,
computacionalmente. Nesta seo descrito alguns algoritmos e suas
perspectivas de sucesso. A codicao esparsa se mostra necessria
para a designao de dicionrios, portanto, importante se ter uma boa
referncia dos mtodos abordados.

Algoritmo Proposto
O algoritmo proposto segue os seguintes passos, para que se realize
comparao entre duas imagens:
Transformar as duas imagens em YCbCr, utilizar apenas o subespao em
Y.
Escolher uma imagem para se criar o dicionrio.
Com mtodo de deteco de extremos a partir de autovalores e
autovetores, extrair extremos da primeira imagem.
Escolher o tamanho da ROI.

Em cada extremo detectado, utilizando gradiente, rotacion-lo para 90.

Com ROI, extremos detectados e rotacionados na primeira imagem,
treinar o dicionrio.

Algoritmo Proposto
Encontrar na segunda e primeira imagem os extremos, e com a ROI
escolhida, rotacion-los.
Retirar a esparsidade, com o Ddcionrio treinado, de cada vetor de
extremo.
Comparar vetor esparso por vetor esparso por similaridades em valores
no nulos que estejam em polinmios prximos e que possuam escalas
prximas. Utilizar valores de limiar para proximidade de vetores e
escalas.
Filtrar resultados por maior similaridade para que no haja repetio de
pontos iguais com diferentes valores similares.

Resultados
O tamanho da ROI foi de 21 pixels. Para a comparao de dos vetores
esparsos, considerou-se vetores que possuam valores no-nulos com 15
ndices de liberdade e diferenas em seu mdulo com limiar de 0.1. O
dicionrio criado de dimenso igual a 441X3210, o vetor esparso possui
um tamanho de 3210 e foram treinado 3210 extremos diferentes.

Resultados
O tamanho da ROI foi de 21 pixels. Para a comparao de dos vetores
esparsos, considerou-se vetores que possuam valores no-nulos com 15
ndices de liberdade e diferenas em seu mdulo com limiar de 0.1. O
dicionrio criado de dimenso igual a 441X3210, o vetor esparso possui
um tamanho de 3210 e foram treinado 3210 extremos diferentes.

Resultados

Concluses
O algoritmo proposto foi capaz de identicar muitos parmetros
parecidos entre as duas imagens e o que se pode concluir que o
algoritmo possui bom desempenho, como observado nas guras acima,
mesmo apresentando erros e imperfeies. Pode-se considerar o
algoritmo SIFT ainda sendo mais convel porm o algoritmo
patenteado. Como trabalho futuro, deseja-se implementar
caractersticas que j esto implementadas no SIFT, como comparao
de caractersticas em diferentes escalas de imagem, alm de melhorias
em anlise de caractersticas que possam estar rotacionadas.

Dvidas

Referncias
[1] K. Huang and S. Aviyente, Sparse representation for signal classification, Adv. Neural
Inf. Process. Syst., vol. 19, p. 609, 2007.

[2] J. Wright, A. Y. Yang, A. Ganesh, S. S. Sastry, and Y. Ma, Robust face recognition via
sparse representation, IEEE Trans. Pattern Anal. Mach. Intell., vol. 31, no. 2, pp. 210227,
2009.
[3] T. Blu and P.-L. Dragotti, Sparse sampling of signal innovations, Signal Process. Mag.
IEEE, vol. 25, no. 2, pp. 3140, 2008.

[4] T. Peleg, Y. C. Eldar, and M. Elad, Exploiting statistical dependencies in sparse

representations for signal recovery, IEEE Trans. Signal Process., vol. 60, no. 5, pp. 2286
2303, 2012.
[5] S. Zubair and W. Wang, Audio classification based on sparse coefficients, IET Semin.
Dig., vol. 2011, no. 1, 2011.
[6] Q. He, H. Song, and X. Ding, Sparse Signal Reconstruction Based on Time Frequency
Manifold for Rolling Element, vol. 65, no. 2, pp. 482491, 2016.
[7] K. Qiu and A. Dogandzic, Variance-component based sparse signal reconstruction and
model selection, Signal Process. IEEE Trans., vol. 58, no. 6, pp. 29352952, 2010.

Referncias
[9] D. Lowe. Distinctive image features from scale-invariant keypoints.
1:128, 2004.
[10] Everton Z Nadalin, Ricardo Suyama, and Romis Attux. Um Breve
Estudo sobre Anlise de Componentes Esparsos.
[11] Ron Rubinstein, Michael Zibulevsky, and Michael Elad. Ecient
implementation of the KSVD algorithm using batch orthogonal matching
pursuit. CS Technion, pages 115.
[12] Y. Knishige S. Uchida, Y. Shigeyoshi and F. Yaokai. Distinctive image
features from scaleinvariant keypoints. 10(1):819824, 2011.
[13] J. Shi and Carlo Tomasi. Good features to track. 1(1):18, 1994.