[Computer vision] Table of contents

[1] Harris Corner Detection두 이미지의 일치여부를 판단하기 위해서 이미지의 특징점을 추출한다. 이때, 코너가 이미지의 특징점이라 할 수 있고, Harris Corner Detection 알고리즘을 사용하여 이미지의 특징점을 추출하는 방법을 배운다.[2] SIFT(Scale-invariant-Transform)Harris Corner Detection같은 경우 커널의 크기에 따라 코너의 여부가 달라진다. 이러한 단점을 보완한 알고리즘인 SIFT를 배운다.[3] Two Image Feature Matching[4] Image alignment (feat. RANSAC)[5] Image stiching[6]

• format_list_bulleted Robot/Computer Vision
• · 2025. 10. 10.

[Computer Vision] Two Image Feature Matching

두 이미지간의 특징점을 매칭하기위해서는 distance function을 정의해준 후, 가까운 것을 매칭해주면된다. 하지만, 가까운 것이 여러개 나올 수도 있고, 아래에 오른쪽 사진과 같이 동일한 형상이 반복될때는 잘못 매칭될 수 있다. 최종적으로 특징점을 찾아 매칭하는 목적은 image stiching을 해보기 위함이므로, 두 이미지간의 모든 특징점을 빠짐없이 찾을 필요는 없다. 확실한 것만 고르면 된다. 따라서 Nearest Neighbor search, Ratio Test, Bi-directional consistency test와 같은 방식을 사용해 아닐거 같은 것은 제거한다. 본 글에서는 두 사진의 특징점을 찾은 후, 어떻게 Feature Matching을 수행하는지 알아본다. SIFT를..

• format_list_bulleted Robot/Computer Vision
• · 2025. 10. 9.

[컴퓨터비전] SIFT(Scale Invariant Feature Transform) 알고리즘 설명 및 구현

Scale-Invariant Feature Transform (SIFT)들어가며: SIFT가 필요한 이유SIFT는 Scale-Invariant Feature Transform의 약자로, 이미지에서 크기 변화에 강인한 특징점을 찾고 기술하는 알고리즘입니다. Harris corner detection을 수행할 때 필터의 scale에 따라 corner 검출 여부가 달라지는 문제가 있었는데요, SIFT는 바로 이러한 문제를 해결하기 위해 David Lowe가 1999년에 제안한 알고리즘입니다.SIFT 알고리즘의 4단계 프로세스1단계: Scale-space Extrema Detection우리가 어떤 장면을 볼 때는 전체적인 틀과 세부적인 내용을 동시에 파악합니다. 성공적인 컴퓨터 비전을 위해서는 이런 다중 스케일..

• format_list_bulleted Robot/Computer Vision
• · 2025. 9. 27.