Dense Scale Invariant Descriptors for Images and Surfaces - Inria - Institut national de recherche en sciences et technologies du numérique Accéder directement au contenu
Rapport (Rapport De Recherche) Année : 2012

Dense Scale Invariant Descriptors for Images and Surfaces

Résumé

Local descriptors are ubiquitous in image and shape analysis, as they allow the compact and robust description of the local content of a signal (image or 3D shape). A common problem that emerges in the computation of local descriptors is the variability of the signal scale. The standard approach to cope with this is scale selection, which consists in estimating a characteristic scale around the few image or shape points where scale estimation can be performed reliably. However, it is often desired to have a scale-invariant descriptor that can be constructed densely, namely at every point of the image or 3D shape. In this work, we construct scale-invariant signal descriptors by introducing a method that does not rely on scale selection; this allows us to apply our method at any point. Our method relies on a combination of logarithmic sampling with multi-scale signal processing that turns scaling in the original signal domain into a translation in a new domain. Scale invariance can then be guaranteed by computing the Fourier transform magnitude (FTM), which is unaffected by signal translations. We use our technique to construct scale- and rotation- invariant descriptors for images and scale- and isometry-invariant descriptors for 3D surfaces, and demonstrate that our descriptors outperform state-of-the-art descriptors on standard benchmarks.
Les descripteurs locaux sont omniprésents dans l'analyse d'image et de la forme, car ils permettent la description compacte et robuste du contenu local d'un signal (image ou une forme 3D). Un problème commun qui se dégage dans le calcul de descripteurs locaux est la variabilité de l'échelle du signal. L'approche standard pour faire face à cette probleme est la sélection d'échelle, qui consiste à estimer une échelle caractéristique autour des ces points d'image ou de la forme où l'estimation échelle peuvent être réalisées de manière fiable. Cependant, il est souvent souhaité d'avoir un descripteur invariant d'échelle qui peut être construit densément, soit à chaque point de l'image ou la forme 3D. Dans ce travail, nous construisons des descripteurs de signaux invariante d'échelle par l'introduction d'une méthode qui ne repose pas sur la sélection d'échelle; ce qui nous permet d'appliquer notre méthode à un point quelconque. Notre méthode repose sur une combinaison de l'échantillonnage logarithmique avec le traitement du signal multi-échelle qui transforme le changement d'échelle dans le domaine du signal original dans une translation dans un nouveau domaine. L'invariance d'échelle peut être garanti par le calcul de la magnitude de la transformée de Fourier (Fourier Transform Modulus -FTM), qui n'est pas affecté par les translations du signal. Nous utilisons notre technique pour construire descripteurs invariantes de l'échelle et la rotation pour les images et les descripteurs invariantes de l'échelle et l'isométrie pour les surfaces 3D, et de démontrer que nos descripteurs peuvent surperformer l'état de l'art des descripteurs sur les benchmarks standards.
Fichier principal
Vignette du fichier
squelette-rr.pdf (21.44 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-00682775 , version 1 (26-03-2012)

Identifiants

  • HAL Id : hal-00682775 , version 1

Citer

Iasonas Kokkinos, Michael Bronstein, Alan Yuille. Dense Scale Invariant Descriptors for Images and Surfaces. [Research Report] RR-7914, INRIA. 2012. ⟨hal-00682775⟩
587 Consultations
2386 Téléchargements

Partager

Gmail Facebook X LinkedIn More