문제 1.
객관식1. 다음은 SIFT 알고리즘에 대한 설명입니다. 다음 중 틀린 것을 모두 고르세요.
SIFT 알고리즘은 최종적으로 Keypoint Descriptor를 구하는 것이 목적이다.
Scale-space extrema detection 단계에서 DoG를 활용하여 Keypoint를 얻는 과정을 거친다.
여기서 DoG는 노이즈에 민감하고 parameter가 많은 LoG를 대신하여 사용되었는데, 이는 또한 2차 미분 성질을 이용한 LoG를 근사시킨 방법이다.
2번의 단계에서 한 이미지를 여러 scale로 변환한 후 특정 Point의 extrema를 통해 Keypoint를 구하게된다. 그 과정에서 여러 Scale image 별로 Keypoint가 존재하게 되는데 각 Scale Image는 원본 Image와 같은 Coordinate System_좌표계 를 사용하기 때문에 Keypoint의 위치를 연산 없이 원본 Image에 나타낼 수 있다.
Gradient feature vector를 만들기 위해 Keypoint의 주변을 만약 32x32 window로 나눈다면 8개의 방향 정보를 담은 256차원의 feature vector를 얻을 수 있다.
SIFT Feature를 나타내는 f vector에는 scale에 대한 정보도 들어있다.
문제 2 + 3.
ORB 에서는 image moment라는 개념이 나옵니다.
Image moment는 이미지 처리, 컴퓨터 비전 및 관련 분야에서 이미지 픽셀 intensities나 특정 가중 평균이며, 일반적으로 attractive feature 또는 해석을 갖도록 선택됩니다.
아래는 Image moment와 Center of mass를 구하는 공식입니다.
주관식 1.
위의 식을 이용해서 아래와 같은 5x5 이미지가 있다고 할 때, 해당 이미지의 Center of mass 를 구하세요.
풀이 식을 작성해서 이미지로 첨부해주세요. Index는 1부터 5까지 증가합니다.
index | 1 | 2 | 3 | 4 |
1 | 1 | 1 | 0 | 1 |
2 | 1 | 1 | 0 | 1 |
3 | 0 | 0 | 1 | 1 |
4 | 1 | 1 | 1 | 1 |
ORB에서 직접적으로 사용 되지는 않지만 Image moment를 centroid에 대한 가중평균을 내면 Center moment_중심 모멘트 를 구할 수 있는데 이는 다음과 같습니다.
또한 ORB에서는 Orientation을 구할 때 arctangent를 사용하는데 그 식은 아래와 같습니다.
여기서 atan를 사용하지 않고 atan2 함수를 사용하는 이유는 반환 값의 범위 때문인데요, atan의 범위는 ③이고
atan2의 범위는 ④입니다.
객관식 2. 각 빈칸에 맞는 답을 고르세요
① | ② | ③ | ④ | |
1 | -π ~ π | -π/2 ~ π/2 | ||
2 | -π ~ π | -π/2 ~ π/2 | ||
3 | -π/2 ~ π/2 | -π ~ π | ||
4 | -π/2 ~ π/2 | -π ~ π |
문제 4+5.
코드 1. 이미지 로드는 Grayscale로 진행하고 해당 이미지를 Gaussian Blur를 진행하는데 파라미터 수치를 바꿔가면서 image matching을 실행해보세요. 코랩에서 실행해보고 링크를 제출해주세요.
주관식 2. 또 해당 결과를 토대로 가 Gaussian Distribution에서 무슨 역할을 하고,
matching 결과에 어떤 영향을 미치는지 작성해주세요.
️opencv를 활용해보세요.
cv2.BFMatcher() : point 매칭기
cv2.drawMatches() : point 선으로 연결하기
️커널의 크기는 홀수여야 합니다.
결과 예시) 아래 예시는 blur 처리를 하지 않은 이미지입니다. blur처리한 이미지도 함께 출력해보세요.
