У комп'ютернім баченні та обробці зображень озна́ка () — це порція інформації про вміст зображення; зазвичай про те, чи має певна область зображення певні властивості. Ознаками можуть бути певні структури зображення, наприклад, точки, контури чи об'єкти. Ознаки також можуть бути результатом загальної або виявля́ння озна́к (), застосованих до зображення. Інші приклади ознак пов'язані з рухом у послідовностях зображень, або з формами, визначеними в термінах кривих або меж між різними областями зображення.

У ширшому сенсі ознака — це будь-яка порція інформація, що має значення для розв'язання обчислювальної задачі, пов'язаної з певним застосуванням. Вона має той самий сенс, що й ознака в машиннім навчанні та розпізнаванні образів загалом, проте обробка зображень володіє дуже мудрованим асортиментом ознак. Поняття ознаки дуже загальне, й вибір ознак у конкретній системі комп'ютерного бачення може сильно залежати від конкретної задачі.

Визначення

Універсального чи точного визначення того, що є ознакою, не існує, й точне визначення часто залежить від задачі та типу застосування. Тим не менше, ознаку зазвичай визначають як «цікаву» частину зображення, й використовують ознаки як відправну точку для багатьох алгоритмів комп'ютерного бачення.

Оскільки ознаки використовують як відправну точку й основні примітиви для наступних алгоритмів, загальний алгоритм часто буде не кращим за свій виявляч ознак. Як наслідок, бажаною властивістю виявляча ознак є повторюваність (): чи буде виявлено одну й ту ж ознаку в двох або більше різних зображеннях однієї сцени.

Виявляння ознак — низькорівнева операція обробки зображень. Тобто її зазвичай виконують як першу операцію над зображенням, і перевіряють кожен піксель, щоби побачити, чи присутня ознака в цьому пікселі. Якщо це частина більшого алгоритму, то він зазвичай розглядатиме зображення вже лише в області ознак. Як вбудована передумова для виявляння ознак, вхідне зображення зазвичай згладжують гауссовим ядром у масштабопросторовому поданні, й обчислюють одне або декілька зображень ознак, часто виражених у термінах операцій локальних похідних зображення.

Іноді, коли виявляння ознак обчислювально витратне й присутні часові обмеження, можуть використовувати алгоритм вищого рівня для скеровування етапу виявляння ознак таким чином, що пошук ознак здійснюватиметься лише деякими частинами зображення.

Існує багато алгоритмів комп'ютерного бачення, які використовують виявляння ознак як початковий крок, тож як наслідок було розроблено дуже велику кількість виявлячів ознак. Вони сильно різняться за типами ознак, що вони виявляють, обчислювальною складністю, та повторюваністю.

Коли ознаки визначають у термінах локальних окільних операцій, застосовуваних до зображення, процедури, яку зазвичай називають виділя́нням озна́к (), то можливо розрізняти підходи до виявляння ознак, які виробляють локальні рішення про присутність чи відсутність ознаки заданого типу в даній точці зображення, та такі, що створюють в результаті небінарні дані. Це розрізнення стає актуальним, коли отримувані в результаті виявлені ознаки є відносно розрідженими. Незважаючи на те, що ухвалюються локальні рішення, вихід з кроку виявляння ознак не обов'язково має бути бінарним зображенням. Результат часто подають у вигляді наборів (зв'язаних чи незв'язаних) координат точок зображення, де було виявлено ознаки, іноді з субпіксельною точністю.

Коли виділяння ознак здійснюють без локального ухвалювання рішень, результат часто називають ознаковим зображенням (). Тож ознакове зображення можливо розглядати як зображення в тому сенсі, що воно є функцією тих же просторових (або часових) змінних, що й первинне зображення, але значення пікселя замість яскравості чи кольору містять інформацію про ознаки зображення. Це означає, що ознакове зображення можливо обробляти таким же чином, як і звичайне зображення, створене давачем зображення. Ознакові зображення також часто обчислюють як вбудований крок в алгоритмах виявляння ознак.

Вектори та простори ознак

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 (). Множина всіх можливих векторів ознак утворює про́стір озна́к ().

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.

Типи

Контури

Контури () — 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.

Кути / особливі точки

Терміни «кути» () та «особливі точки» () 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 . 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».

Плями / області особливих точок

Плями () забезпечують додатковий опис структур зображення в термінах областей (), 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 () та РГ () згадуються також і в статті про виявляння кутів.

Хребти

Для видовжених об'єктів природним інструментом є поняття хребтів (). 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

До виявля́ння озна́к () належать методи обчислювання абстракцій з інформації зображення та ухвалювання локальних рішень у кожній точці зображення про наявність чи відсутність ознаки зображення заданого типу в цій точці. Отримувані ознаки будуть підмножинами області визначення зображення, часто у вигляді ізольованих точок, неперервних кривих, або зв'язних областей.

Виділяння ознак іноді здійснюють на декількох масштабах. Одним із таких методів є масштабоінваріантне ознакове перетворення ().

+ Поширені виявлячі ознак та їхня класифікація:Виявляч ознакКонтуриКутиПлямиХребти Кенні Собель Гарріс і Стівенс / Плессі SUSAN Сі та Томазі Метод кривини ізоліній FAST Лапласіан гауссіана Різниця гауссіанівJ. L. Crowley and A. C. Parker, "A Representation for Shape Based on Peaks and Ridges in the Difference of Low Pass Transform", IEEE Transactions on PAMI, PAMI 6 (2), pp. 156–170, March 1984. Визначник гессіана Міри вираженості гессіанових ознакT. Lindeberg "Scale selection properties of generalized scale-space interest point detectors", Journal of Mathematical Imaging and Vision, Volume 46, Issue 2, pages 177-210, 2013. T. Lindeberg ``Image matching using generalized scale-space interest points", Journal of Mathematical Imaging and Vision, volume 52, number 1, pages 3-36, 2015. МСЕО Хребти головної кривиниR. Haralick, "Ridges and Valleys on Digital Images", Computer Vision, Graphics, and Image Processing vol. 22, no. 10, pp. 28–38, Apr. 1983. D. Eberly, R. Gardner, B. Morse, S. Pizer, C. Scharlach, Ridges for image analysis , Journal of Mathematical Imaging and Vision, v. 4 n. 4, pp. 353–373, Dec. 1994. Плями відтінків сірого

Виділяння

Щойно ознаки було виявлено, стає можливим виділити локальний фрагмент зображення навколо ознаки. Це виділяння може містити досить значний обсяг обробки зображення. Результат відомий як описувач ознаки, або вектор ознаки. Серед підходів, які використовують для опису ознак, можливо згадати N-струмені та локальні гістограми (див. масштабоінваріантне ознакове перетворення як один з прикладів локально-гістограмного описувача). На додачу до такої інформації про атрибути, сам по собі крок виявляння ознак також може забезпечувати додаткові атрибути, такі як напрям контурів та величину градієнту у виявлянні контурів, а також полярність і силу плям у виявлянні плям.

Низькорівневе

Виявляння контурів Виявляння кутів Виявляння плям Виявляння хребтів Масштабоінваріантне ознакове перетворення

Кривина

Напрям контурів, зміна інтенсивності, автокореляція.

Рух зображення

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

На основі форми

Порогування

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

Гнучкі методи

Деформованій, параметризовні фігури Активні контури (змійки)

Подання

Конкретну ознаку зображення, визначену в термінах певної структури в даних зображення, часто може бути подано різними способами. Наприклад, контур може бути подано як булеву змінну в кожній точці зображення, яка описує, чи присутній контур у цій точці. Іншим чином, ми можемо використовувати подання, яке забезпечує міру визначеності замість булевого твердження про існування контуру, й об'єднувати її з інформацією про спрямування контуру. Аналогічно, колір певної області може бути подано як середній колір (три скаляри), або як (три функції).