Ver síntesis: Explorando perspectivas en visión por computadora

Por Fouad Sabry

Qué es la síntesis de vistas

En el campo de los gráficos por computadora, la síntesis de vistas, también conocida como síntesis de vistas novedosas, es una tarea que implica la generación de imágenes de un objeto en particular. tema o escena desde un punto de vista particular. Este método se utiliza en situaciones donde la única información disponible son fotografías tomadas desde varios puntos de vista.

Cómo se beneficiará

(I) Información y validaciones sobre los siguientes temas:

Capítulo 1: Síntesis de vistas

Capítulo 2: Registro de imágenes

Capítulo 3: Modelado y renderizado basados ​​en imágenes

Capítulo 4: Visión activa

Capítulo 5: Reconstrucción 3D

Capítulo 6: Cámara omnidireccional (360 grados)

Capítulo 7: Conversión de 2D a 3D

Capítulo 8: DeepDream

Capítulo 9: Red de sensores visuales

Capítulo 10: Superresolución de vídeo

( II) Responder las principales preguntas del público sobre la síntesis de vistas.

(III) Ejemplos del mundo real para el uso de la síntesis de vistas en muchos campos.

Para quién es este libro

Profesionales, estudiantes de pregrado y posgrado, entusiastas, aficionados y aquellos que quieran ir más allá del conocimiento o la información básica para cualquier tipo de Síntesis de Vista.

 

 

• Idioma: Español
• Editorial: Mil Millones De Conocimientos [Spanish]
• Fecha de lanzamiento: 5 may 2024

Vista previa del libro

Capítulo 1: Ver síntesis

La síntesis de vistas busca proporcionar perspectivas únicas sobre un tema determinado mediante la combinación de una serie de imágenes capturadas desde distintos puntos de vista.

Actualmente, los campos de Investigación en Ciencias de la Computación, Investigación de la Visión e Inteligencia Artificial están colaborando en la definición de estrategias apropiadas para la resolución de problemas.

El uso de la síntesis de vistas implica capturar varias imágenes de un sujeto específico desde un punto de vista específico y con una orientación y configuración de cámara específicas, y luego construir una imagen sintética que parece haber sido capturada por una cámara virtual colocada en un punto de vista diferente y con la misma configuración.

Usando cámaras web, dos personas interactúan a través de sus computadoras. Intente renderizar las fotos como si hubieran sido capturadas por una cámara web virtual ubicada detrás de la ventana del programa. Esto resolvería el problema de contacto visual de larga data que ha plagado este entorno. Los usuarios perciben una doble ilusión: cada uno mira la cara del otro, pero ninguno tiene la percepción adecuada de ella.

Un ejemplo de una aplicación de síntesis de vistas es la televisión de punto de vista libre.

{Fin del capítulo 1}

Capítulo 2: Registro de imágenes

Registrar una imagen es convertirla de muchos sistemas de coordenadas en uno solo. Múltiples imágenes, datos de varios sensores, tiempos, profundidades y perspectivas son todas formas posibles de datos. Aplicaciones militares del reconocimiento autónomo de objetivos y la recopilación y análisis de datos de satélites. Los datos de estas numerosas métricas no se pueden comparar ni integrar sin registrarse primero para obtener una cuenta.

Los algoritmos para el registro de imágenes, también conocidos como alineación de imágenes, se dividen en dos grandes categorías: basados en la intensidad y basados en características.

También es posible categorizar los algoritmos de registro de imágenes en función de los modelos de transformación que emplean para establecer una correspondencia entre los espacios de la imagen de destino y la imagen de referencia. Las transformaciones lineales (incluidas la rotación, el escalado, la traslación y otras transformadas afines) son la primera clase general de modelos de transformación, seguidos de los modelos físicos continuos (fluidos viscosos) y, por último, los modelos de deformación masiva (difeomorfismos).

La parametrización es una forma frecuente de expresar transformaciones; El número de parámetros suele ser establecido por el modelo. Uno de estos parámetros es un vector de traslación, que se puede utilizar para definir la traslación de una imagen completa. Los modelos paramétricos son los que tienen parámetros. Por el contrario, los modelos no paramétricos no se adhieren a ninguna parametrización, lo que permite el desplazamiento aleatorio de elementos individuales de la imagen.

Varios paquetes de software incluyen soporte tanto para la estimación como para la aplicación del campo de deformación. Está incluido en SPM y AIR.

Por otro lado, los homeomorfismos y difeomorfismos, que preservan la estructura mediante el transporte de subvariedades suaves, son la base de varios enfoques de vanguardia para la normalización espacial. Dado que los difeomorfismos no son aditivos aunque constituyan un grupo, sino más bien un grupo bajo la ley de composición de funciones, los flujos se utilizan para construir difeomorfismos en la ciencia de vanguardia de la anatomía computacional. Como resultado, se pueden generar enormes deformaciones que preservan la topología mediante flujos que generalizan las ideas de grupos aditivos, ofreciendo transformaciones 1-1 y on. Como la principal herramienta computacional para establecer conexiones entre sistemas de coordenadas que corresponden a los flujos geodésicos utilizados en Anatomía Computacional, LDDMM son los métodos computacionales de elección para generar tales transformaciones.

Varias aplicaciones, como MRI Studio, pueden proporcionar cambios difeomorfos de coordenadas mediante mapeo difeomorfo.

La coincidencia basada en imágenes de patrones o características de intensidad es el enfoque de las técnicas espaciales. Los métodos tradicionales para completar el registro manual de imágenes, en los que un operador selecciona los puntos de control (CP) correspondientes en las imágenes, son la inspiración para varios de los algoritmos de coincidencia de características. Los métodos iterativos, como RANSAC, se pueden utilizar para estimar con confianza los parámetros de un determinado tipo de transformación (por ejemplo, afín) para el registro de las imágenes cuando el número de puntos de control supera el mínimo requerido para establecer el modelo de transformación adecuado.

Trabajando en el dominio de la transformación, los algoritmos en el dominio de la frecuencia determinan los parámetros de transformación necesarios para el registro de imágenes. Estas estrategias son útiles para ejecutar alteraciones elementales como la traducción, la rotación y el escalado.