Доброго времени суток!
        Как известно, одной из важных задач, решаемых обработкой изображений (помимо сброса пары кг и укрывания дефектов кожи на аватарках), является поиск и распознавание нужных нам объектов на сцене. Но этот процесс весьма сложный и ресурсоемкий, что делает его неприменимым в системах реального времени. Сегодня мы и поговорим, нельзя ли каким-то образом решить эту проблему и ускорить процесс поиска нужного объекта на сцене, с минимальными потерями в точности (а может, и без них вовсе). И вообще, причем тут папоротники?
PS
Традиционно много картинок.

Сначала немного общих слов о том, как вообще можно организовывать поиск по изображениям.
В идеале нам бы хотелось иметь систему, которая может анализировать содержимое рисунка, определять, изображен там дом, озеро или кошка с котятами, ну и попутно запоминать разные характеристики обнаруженных объектов — такие как цвет, размер, взаимное размещение — а потом осуществлять поиск по этой информации. Но, к сожалению, на сегодняшний день это решительно невозможно. Как минимум, нет метода, который позволил бы сколько-нибудь надежно выделять объекты реального мира на картинках.
Поэтому любая система вынуждена анализировать менее интеллектуальные признаки, и этих признаков может быть несколько разных типов:

Сотрудники Лаборатории компьютерной графики и мультимедиа МГУ имени М. В. Ломоносова сегодня опубликовали свое решение для распознавания дефектов дорожного полотна по видео.

UPD. Сделал копию, на случай если сайт ляжет под хабраэффектом.
UPD. И еще одна копия.
PS. Спасибо за инвайт от mihailolenin для участника проекта: semapt

С 28 июля по 3 августа 2011 года, в МГУ имени М.В. Ломоносова пройдёт Летняя школа Microsoft по компьютерному зрению (Microsoft Computer Vision Summer School). Школа спонсируется исследовательским подразделением компании Microsoft — Microsoft Research.

Впервые школа такого уровня проводится в России. Лекторы школы являются ведущими мировыми учеными в области компьютерного зрения и анализа изображений, задают тенденции и направления развития всей области. Например, Andrew Blake и Andrew Fitzgibbon внесли существенный вклад в технологию Kinect – настоящую революцию в области человеко-компьютерных интерфейсов.

Помимо курсов по математическим методам и алгоритмам компьютерного зрения, на школе вы узнаете о структуре области в целом, о правилах написания статей на ведущие научные конференции. Отдельная секция будет посвящена опыту создания стартапов в области компьютерного зрения. Вы получите возможность лично пообщаться с учредителями и руководителями нескольких российских стартапов. Ожидается присутствие представителей ИТ-Кластера Сколково, которые расскажут о возможностях, предоставляемых Сколково участникам проекта.

Статья рассматривает алгоритм поиска и описания особых точек изображения SURF. Метод может применяться для сравнения изображений, поиска объектов на изображениях, 3D реконструкции.

Задача распознавания образов до сих пор не решена в полном объеме. Однако, в рамках существенных ограничений, есть методы, позволяющие приблизится к ее решению.

Среди различных родственных методов, был выбран для рассмотрения метод Speeded Up Robust Features (SURF), поскольку он является одним из самых эффективных и быстрых современных алгоритмов. Кроме того, SURF является распространенным методом, его реализации есть во многих математических библиотеках.

Во многих задачах обработки изображений требуется рассчитывать яркость прямоугольного участка изображения. Например, в вейвлет-преобразованиях, фильтрах Хаара, SURF и многих других алгоритмах. Интегральное представление позволяет быстро рассчитывать суммарную яркость произвольного прямоугольника, причем время рассчета не зависит от площади прямоугольника.

Интегральное представление

Интегральное представление изображения представляет собой матрицу, размерность которой совпадает с размерностью исходного изображения. Элементы матрицы рассчитываются по следующей формуле:



Где I(i,j) — яркость пиксела исходного изображения.

Каждый элемент матрицы II[x,y] представляет собой сумму пикселов в прямоугольнике от (0,0) до (x,y). Рассчет матрицы занимает линейное время, пропорциональное числу пикселов в изображении.