Resumen

El algoritmo SIFT (Scale-invariant feature transform), uno de los detectores de puntos de interés más famosos y populares, detecta los extremos utilizando el filtro DoG (difference-of-Gaussian), que es una aproximación al filtro LoG (Laplacian-of-Gaussian) para mejorar la velocidad. Sin embargo, el filtro DoG tiene una fuerte respuesta a lo largo del borde, incluso si la ubicación a lo largo del borde está mal determinada y por lo tanto es inestable a pequeñas cantidades de ruido. En este trabajo, proponemos un nuevo algoritmo de detección de puntos de interés, que detecta los extremos del espacio de escala utilizando un filtro Laplaciano-de-Bilateral (LoB). El filtro LoB, que es producido por un filtro Bilateral y Laplaciano, puede preservar la característica de borde utilizando completamente la información de la variedad de intensidad. En comparación con el algoritmo SIFT, nuestro algoritmo mejora sustancialmente la repetibilidad de los puntos de interés detectados en un conjunto de datos de referencia muy difícil, en el que las imágenes se generaron en diferentes condiciones de imagen. Los amplios resultados experimentales muestran que el enfoque propuesto es más robusto frente a problemas difíciles como los cambios de iluminación y de punto de vista, especialmente cuando se producen grandes cambios de iluminación.

• Materias:Redes de sensores Sensores inalámbricos Sistema de sensores Sensor inteligente Sensores electroquímicos
• Subjects:Sensor networks Wireless sensors Sensor system Intelligent sensor Electrochemical sensors
• Palabras claves:borde, algoritmo novedoso de detección de puntos de interés, detectores populares de puntos de interés, amplios resultados experimentales, conjunto de datos de referencia desafiante, diferentes condiciones de imagen, transformada de características invariante, gran cambio de iluminación, extremos del espacio de escala, laplaciano
• Keywords:edge, novel interest point detection algorithm, popular interest point detectors, extensive experimental results, challenging benchmark dataset, different imaging conditions, invariant feature transform, large illumination change, scale space extrema, laplacian