Detection and Correspondence of Image Features

Hlavním cílem této bakalářské práce byly seznámit se základními technikami zpracování obrazu, převážně na detekci významných bodů ve snímcích jedné scény z více pohledů a stanovení vzájemné korespondence těchto bodů. Na úvod byly popsány základní principy pro pochopení počítačového vidění, jako jsou perspektivní projekce, popis modelu kamery a odvození základního vztahu pro geometrii dvou pohledů. Z detekčních metod byl představen nejznámější Harrisův detektor, který se často používá pro svou jednoduchost a SIFT detektor, který je navíc invariantní vůči změně měřítka. Harrisův detektor je popsán podrobně. V následujících kapitolách byly popsány základní principy pro nalezení korespondencí mezi významnými body. Pro tyto účely byl Podrobně popsán vztah mezi dvěma korespondujícími body ležících na dvou projekčních rovinách a jejich výpočet za pomocí matice Homografie. Přesněji byl odvozen pro jednoduchost vztah mezi kamerami se stejným středem promítání, jenž se používá např. v sestavení panoramat z více snímků. Poté byl zaveden princip epipolární geometrie a jejího matematického vyjádření v podobě fundamentální matice, s jejíž pomocí lze definovat vztah mezi dvěma nebo více projekčními rovinami a bodem v prostoru. Pro vyhledání prvotních korespondencí bylo použito technik porovnání na základě podobnosti za pomocí algoritmů SSD nebo NCC. Hlavním Algoritmem pro výpočet korespondencí byl podrobně popsaný pravděpodobnostní algoritmus RANSAC v základní podobě a dále upravený na MLESAC. Na závěr byl uveden popis jednoduché aplikace pro implementaci popsaných metod.The main goal of this bachelor‘s thesis was obtain basic knowledge about image processing. Especially was this work specialized on features detection in images captured from different perspectives and for finding correspondences between those images. Preliminary were to be described the basic principles for understanding computer vision such as perspective projection, description model of the camera and two views geometry. From methods of the detection was introduced best-known and most widely used of the detectors Harris corner detector. He is independent of images rotation and he is analyzed in detail. Further was described SIFT detector, that is independent of images scale. In this work further be described to several methods for finding correspondences of images features. First were to be described and derived two basic transformation matrixes that arrange to the association with features of two images. The first homography matrix describes transformation of two 2D views and fundamental matrix. Fundamental matrix obtains from two images full information of captured 3D scene and projection matrixes of cameras. For to primary definition correspondences were to be used to methods SSD and NCC. These methods match correspondences after similarities surroundings of features. These methods unfiled correct assignment features. Therefore uses stochastic RANSAC algorithm. The RANSAC algorithm was in detail described in this work in basic form and further modified on MLESAC algorithm. This algorithm can find better correspondences than RANSAC. In the end was described simple application for implementation introduced methods.