New Classes of Radiometric and Combined Radiometric-Geometric Invariant Descriptors
Notice bibliographique
Résumé
Real images can contain geometric distortions as well as photometric degradations. Analysis and characterization of those images without recourse to either restoration or geometric standardization is of great importance for the computer vision community as those two processes are often ill-posed problems. To this end, it is necessary to implement image descriptors that make it possible to identify the original image in a simple way independently of the imaging system and imaging conditions. Ideally, descriptors that capture image characteristics must be invariant to the whole range of geometric distortions and photometric degradations, such as blur, that may affect the image. In this paper, we introduce two new classes of radiometric and/or geometric invariant descriptors. The first class contains two types of radiometric invariant descriptors. The first of these type is based on the Mellin transform and the second one is based on central moments. Both descriptors are invariant to contrast changes and to convolution with any kernel having a symmetric form with respect to the diagonals. The second class contains two subclasses of combined invariant descriptors. The first subclass includes central-moment-based descriptors invariant simultaneously to horizontal and vertical translations, to uniform and anisotropic scaling, to stretching, to convolution, and to contrast changes. The second subclass contains central-complex-moment-based descriptors that are simultaneously invariant to similarity transformation and to contrast changes. We apply these invariant descriptors to the matching of geometric transformed and/or blurred images. Experimental results confirm both the robustness and the effectiveness of the proposed invariants.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,016 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».