Verificación espacial

La verificación espacial es una técnica que permite identificar de forma automática localizaciones similares a través de una secuencia de imágenes. El método general consiste en identificar una correlación entre determinados puntos entre conjuntos de imágenes, utilizando técnicas similares a las utilizadas para el registro de imágenes .

El problema principal es que los valores atípicos (que no se ajustan o no coinciden con el modelo seleccionado) afectan al ajuste llamado mínimos cuadrados (técnica de análisis numérico enmarcada en la optimización matemática, que, dado un conjunto de pares ordenados: variable independiente, variable dependiente y una familia de funciones, trata de encontrar la función continua).

• Es eficaz cuando uno puede encontrar funciones seguras sin desorden.
• Buenos resultados para la correspondencia en casos específicos.

• Los modelos de escala.
• La verificación espacial no se puede utilizar como posprocesamiento.

Los métodos más utilizados para la verificación espacial y evitar errores causados ​​por estos valores atípicos son:

Busca evitar el impacto de los valores atípicos, que no encajan con el modelo, por lo que solo considera los valores inline que encajan con el modelo en cuestión. Si se elige un valor atípico para calcular la configuración actual, entonces la línea resultante tendrá poco soporte del resto de puntos. El algoritmo que se realiza es un bucle que realiza los siguientes pasos:

1. De todo el conjunto de datos de entrada, toma un subconjunto aleatoriamente para estimar el modelo.
2. Calcular el subconjunto del modelo. El modelo se estima con algoritmos lineales estándar.
3. Encuentra los valores coincidentes de la transformación.
4. Si el error del modelo es mínimo, se acepta este y si el número de correspondencias es suficientemente grande, se toma como referencia el subconjunto de puntos involucrados en el ensamblaje de consenso y se procede a calcular el modelo estimado en todas las correspondencias.

El objetivo es mantener el modelo con el mayor número de coincidencias y el problema principal es la cantidad de veces que se debe repetir el proceso para obtener la mejor estimación del modelo. RANSAC establece de antemano el número de iteraciones del algoritmo.

Para especificar escenas u objetos, comúnmente se utilizan transformaciones afines para realizar la verificación espacial.

Se trata de una técnica de detección de formas en imágenes digitales que resuelve la veracidad del espacio mediante agrupaciones de puntos pertenecientes al modelo a través de un procedimiento de votación sobre un conjunto de figuras paramétricas.

No todas las combinaciones posibles se comparan con las características ajustando un modelo para cada subconjunto posible, de modo que se utiliza la técnica de votación, en la que se almacena un voto para cada línea posible en la que se utiliza cada punto. Luego se observan cuáles fueron las líneas con más votos y se seleccionan.

Si utilizamos las características locales de escala, rotación y traslación invariantes, cada coincidencia de características proporciona una alineación de hipótesis para la escala, la traslación y la orientación del modelo en la imagen.

Una hipótesis generada por una sola coincidencia puede ser poco fiable, por lo que para cada coincidencia (match), se realiza una votación para obtener una hipótesis más sólida en el espacio de Hough. Así que tenemos dos fases principales:

• Entrenamiento : Para cada modelo característico, se guarda en 2D la ubicación, escala y orientación del modelo.
• Prueba : cada coincidencia puede ser realizada por el algoritmo SIFT y las características del modelo votan en el espacio de Hough.

Las principales desventajas son:

• El ruido o el desorden pueden mostrar más retroalimentación de aquellos que intentan proporcionar objetivos.
• El tamaño de la matriz de almacenamiento debe elegirse con cuidado.

• Garuman, Kristen. "Recognizing object instances", 9 de agosto de 2012. Recuperado el 24 de noviembre de 2014.
• Sivic, Josef. "Video Google Demo", 13 de agosto de 2004. Recuperado el 24 de noviembre de 2014.
• MA Fischler, RC Bolles. Consenso de muestras aleatorias: un paradigma para el ajuste de modelos con aplicaciones al análisis de imágenes y la cartografía automatizada. Comm. of the ACM, vol. 24, págs. 381–395, 1981.
• Sivic, Josef. "Características distintivas de la imagen", 5 de enero de 2004. Recuperado el 24 de noviembre de 2014.

• 'Sistema de recuperación de Google'. El objetivo es recuperar objetos o escenas con facilidad, rapidez y precisión en el buscador de Google, es decir, en una página web que contiene determinadas palabras clave.