Ознака (комп'ютерне бачення)

У деяких застосуваннях для отримання доречної інформації з даних зображення недостатньо виділяти лише один тип ознак. Замість цього виділяють дві або більше різних ознак, що призводить до двох або більше описувачів ознак у кожній точці зображення. Поширеною практикою є впорядковувати інформацію, що надають усі ці описувачі, як елементи одного-єдиного вектора, який зазвичай називають ве́ктором озна́к (англ. feature vector). Множина всіх можливих векторів ознак утворює про́стір озна́к (англ. feature space).[1]

Простий приклад векторів ознак виникає, коли кожну точку зображення треба класифікувати як належну до певного класу. Виходячи з припущення, що кожна точка зображення має відповідний вектор ознак на основі доречного набору ознак, що означає, що кожен клас добре розділено у відповідному просторі ознак, класифікування кожної точки зображення може бути здійснено за допомогою стандартного методу класифікування.

Інший і пов'язаний приклад виникає, коли до зображень застосовують обробку на основі нейронних мереж. Дані, що подають на вхід нейронної мережі, часто задають у термінах векторів ознак з кожної точки зображення, де цей вектор будується з кількох різних ознак, виділених з даних зображення. Під час фази навчання мережа може сама встановити, які поєднання різних ознак корисні для розв'язання поставленої задачі.

Контури (англ. edge) — це точки, де присутня межа (або контур) двох областей зображення. Загалом, контур може мати майже довільну форму, й може містити з'єднання. На практиці контури зазвичай визначають як множини точок на зображенні, які мають значну величину градієнта. Крім того, деякі поширені алгоритми потім з'єднують точки високого градієнта ланцюжком для формування повнішого опису контуру. Ці алгоритми зазвичай накладають деякі обмеження на властивості контуру, такі як форма, плавність та значення градієнта.

Локально контури мають одновимірну структуру.

Терміни «кути» (англ. corner) та «особливі точки» (англ. interest point) використовують часом як взаємозамінні, й застосовують до точкоподібних ознак у зображенні, які мають локальну двовимірну структуру. Назва «кут» виникла через те, що ранні алгоритми спершу виконували виявляння контурів, а потім аналізували контури для знаходження швидких змін у напрямку (кутів). Ці алгоритми згодом було розвинено до того, що явне виявляння контурів стало більше не потрібним, наприклад, через пошук високих рівнів кривини в градієнті зображення. Потім було відмічено, що так звані кути також виявлялися на тих частинах зображення, що не були кутами в традиційному розумінні (наприклад, може виявлятися невелика яскрава пляма на темному тлі). Ці точки часто називають особливими точками, але за традицією можуть використовувати й термін «кут»^{[джерело?]}.

Плями (англ. blob) забезпечують додатковий опис структур зображення в термінах областей (англ. region), на противагу до кутів, що є точкоподібнішими. Тим не менше, плямові описувачі часто можуть містити переважну точку (локальний максимум реакції оператора, або центр мас), що означає, що багато виявлячів плям також можна розглядати як оператори особливих точок. Виявлячі плям можуть виявляти ділянки зображення, занадто згладжені для виявляння виявлячем кутів.

Розгляньмо зменшення зображення із наступним виконанням виявляння кутів. Виявляч реагуватиме на точки, що є контрастними на зменшеному зображенні, але можуть бути згладженими в первісному зображенні. Це саме той момент, коли різниця між виявлячами кутів та плям стає дещо невиразною. Значною мірою це розрізнення може бути виправлено включенням відповідного поняття масштабу. Тим не менше, завдяки властивостям реагування на різні типи структур зображення на різних масштабах, виявлячі плям ЛГ (англ. LoG) та РГ (англ. DoH) згадуються також і в статті про виявляння кутів.

Для видовжених об'єктів природним інструментом є поняття хребтів (англ. ridge). Хребтовий описувач, обчислюваний із зображення у відтінках сірого, можливо розглядати як узагальнення серединної осі. З практичної точки зору хребет можливо розглядати як одновимірну криву, що подає вісь симетрії, й на додачу має атрибут локальної ширини хребта, пов'язаний із кожною його точкою. Проте, на жаль, виділяти хребтові ознаки із загальних класів зображень у відтінках сірого алгоритмічно складніше, ніж контурні, кутові та плямові ознаки. Тим не менше, хребтові описувачі часто використовують для виділяння доріг в аерофотознімках та кровоносних судин в медичних зображеннях — див. виявляння хребтів.

• Виявляння контурів
• Виявляння кутів
• Виявляння плям
• Виявляння хребтів
• Масштабонезалежне перетворення ознак

• Напрям контурів, зміна інтенсивності, автокореляція.

• Виявляння руху. Різницевий підхід, на основі площ. Оптичний потік.

• Порогування
• Виділяння плям
• Зіставляння з шаблоном
• Перетворення Гафа
  • Лінії
  • Кола/еліпси
  • Довільні фігури (узагальнене перетворення Гафа)
  • Працює з будь-якими параметризовними ознаками (змінні класу, виявляння кластерів тощо)
• Узагальнене перетворення Гафа

• Деформованій, параметризовні фігури
• Активні контури (змійки)

Двома прикладами ознак зображення є локальне спрямування контуру та локальна швидкість у послідовності зображень. У разі спрямування, значення цієї ознаки може бути більш-менш невизначеним, якщо у відповідному околі присутні понад одного контуру. Локальна швидкість не визначена, якщо відповідна область зображення не містить жодної просторової мінливості. Як наслідок цього спостереження, може бути доречним використовувати подання ознаки, яке містить і міру визначеності або впевненості, пов'язаних із твердженням про значення ознаки. В іншому випадку типовою є ситуація, коли один і той самий описувач використовується для подання значень ознак з низькою визначеністю, та значень ознак, близьких до нуля, що призводить до неоднозначності в інтерпретації цього описувача. Залежно від застосування, така двозначність може бути прийнятною, чи не прийнятною.

Зокрема, якщо зображення з ознаками буде задіяно в подальшій обробці, може бути гарною ідеєю задіяти таке подання ознак, яке містить інформацію про визначеність або впевненість. Це дає змогу обчислювати новий описувач ознак з кількох описувачів, наприклад, обчислювати в одній точці зображення, але в різних масштабах, або з інших, але сусідніх точок, у термінах середньозваженого усереднення, де вагові коефіцієнти виводяться з відповідних визначеностей. У найпростішому випадку відповідне обчислення може бути втілено як низькочастотне фільтрування зображення з ознаками. Отримуване зображення ознак буде назагал стійкішим до шуму.

На додачу до входження до подання показників визначеності, подання відповідних значень ознак може бути придатним для операції усереднювання, а може й ні. Більшість подань ознак можливо усереднювати на практиці, але лише в певних випадках отриманому описувачеві можливо надати правильного тлумачення в термінах значення ознаки. Такі уявлення називають усереднюваними (англ. averageable).

Наприклад, якщо спрямування контуру подано в термінах кута, то це подання мусить мати розрив, де кут перескакує з максимального значення на мінімальне. Тож може статися, що два подібні спрямування подано кутами, середнє значення яких не лежить близько до жодного з первинних кутів, і, отже, це подання не усереднюване. Існують інші подання спрямування контурів, такі як структурний тензор, які усереднювані.

Інший приклад стосується руху, де в деяких випадках можливо виділити лише перпендикулярну до якогось контуру швидкість. Якщо було виділено дві такі ознаки, і можливо припустити, що вони стосуються однієї й тієї ж істинної швидкості, ця швидкість не задається як усереднення векторів перпендикулярних швидкостей. Отже, вектори перпендикулярних швидкостей не є усереднюваними. Натомість існують інші подання руху з використанням матриць або тензорів, які дають істинну швидкість у термінах операції усереднювання описувачів перпендикулярних швидкостей.^{[джерело?]}