2.5. Thuật toán SIFT [4] [5]
2.5.6. Bộ mơ tả hình ảnh cục bộ
Các phép xử lý trên đã được gán một vị trí ảnh, tỉ lệ và hướng đến mỗi điểm Keypoint. Những thơng số ám chỉ sự lặp lại vị trí hệ tọa độ 2D trong đó mơ tả các vùng ảnh cục bộ và do đó bất biến các thơng số này. Bước tiếp theo là tính tốn mơ tả cho các khu vực hình ảnh cục bộ mà đặc biệt là chưa bất biến với các biến thể còn lại, chẳng hạn như thay đổi độ sáng hoặc thu – phóng ảnh, xoay.
Một cách tiếp cận là một mẫu cường độ ảnh cục bộ xung quanh keypoint ở tỉ lệ thích hợp, và để đối sánh chúng với các cách sử dụng biện pháp tương quan bình thường. Tuy nhiên, tương quan đơn giản của các bản vá lỗi hình ảnh rất nhạy cảm với những thay đổi, chẳng hạn như Affine hoặc thay đổi hướng nhìn 3D hay biến dạng mềm. Cách tiếp cận tốt hơn đã được chứng minh bởi Edelman, Intrator, và Poggio (1997). Họ đề xuất dựa trên một mơ hình thị giác sinh học, đặc biệt là các tế bào thần kinh phức tạp trong vỏ não thị giác chính. Những tế bào thần kinh phức tạp đáp ứng với một gradient ở một hướng cụ thể và tần số khơng gian, nhưng vị trí của gradient trên võng mạc được phép thay đổi theo một lĩnh vực nhỏ hơn được cục bộ hóa một cách chính xác. Edelman et al. giả thuyếtrằng chức năng của các tế bào thần kinh phức tạp này là cho phép đơí sánh và nhận dạng của đối tượng 3D từ một vùng của hướng nhìn. Họ đã thực hiện thí nghiệm chi tiết sử dụng mơ hình máy tính 3D của hình dạng đối tượng và động vật mà thấy phù hợp với gradients trong khi cho phép thay đổi vị trí của chúng tốt hơn khi xoay 3D. Ví dụ, nhận dạng chính xác cho các đối tượng 3D xoay theo chiều sâu bằng 20 độ tăng từ 35% cho mối tương quan của gradient đến 94% bằng cách sử dụng mơ hình tế bào phức tạp. Việc mơ tả dưới đây được lấy cảm hứng từ ý tưởng này, nhưng cho phép thay đổi vị trí bằng cách sử dụng một cơ chế tính tốn khác nhau.
Hình 2.12: Hướng phân bố trên ảnh và bộ mô tả các điểm Keypoint