2.5.2 BRIEF descriptorsThe use of B

2.5.2 BRIEF descriptorsThe use of BRIEF descriptors is one method that stems from the increasing demands of a more computational restricting working environment where computer vision based algorithms needs to be more efficient. Older methods like SIFT and SURF tends to suffer from large memory consumption with large set of features. A SIFT descriptor is built with local gradient histograms and are stored as a vector of size 128. For real-time applications the SIFT descriptor then becomes too computationally inefficient [4]. The SURF descriptor also computes the local gradients histograms but stores them as floating points in a size 64 vector. SURF addressed performance related problems by doing the gaussian smoothing as a filter approximation with a square shape, combined with the integral image that generates the sum of pixels within a subgrid of rectangles. However, for the real-time applications SURF is still too expensive since the amount of descriptors needed to be stored does not scale well. BRIEF use the approach of directly computing binary strings from patches extracted from the image. The pixel intensity values are evaluated pair-wise to acquire theunique bits in each bitstring. For each smoothed image patch a test is set up asdefined in [4] :

Kết quả (Việt) 1:

2.5.2 mô tả TÓM TẮT
The use of BRIEF descriptors is one method that stems from the increasing demands of a more computational restricting working environment where computer vision based algorithms needs to be more efficient. Older methods like SIFT and SURF tends to suffer from large memory consumption with large set of features. A SIFT descriptor is built with local gradient histograms and are stored as a vector of size 128. For real-time applications the SIFT descriptor then becomes too computationally inefficient [4]. The SURF descriptor also computes the local gradients histograms but stores them as floating points in a size 64 vector. SURF addressed performance related problems by doing the gaussian smoothing as a filter approximation with a square shape, combined with the integral image that generates the sum of pixels within a subgrid of rectangles. However, for the real-time applications SURF is still too expensive since the amount of descriptors needed to be stored does not scale well.
TÓM TẮT sử dụng cách tiếp cận trực tiếp tính toán chuỗi nhị phân từ các bản vá lỗi được chiết xuất từ các hình ảnh. Các giá trị cường độ điểm ảnh được đánh giá cặp-khôn ngoan để có được các
bit duy nhất trong mỗi bitstring. Đối với mỗi miếng vá hình ảnh Smooth một thử nghiệm được thiết lập như
quy định tại [4]:

Kết quả (Việt) 2:

2.5.2 mô tả ngắn gọn
Việc sử dụng các mô tả ngắn gọn là một trong những phương pháp mà thân cây từ nhu cầu ngày càng tăng của một tính toán hơn hạn chế môi trường làm việc, nơi các thuật toán dựa trên tầm nhìn cần phải được hiệu quả hơn. Các phương pháp cũ như SIFT và SURF có xu hướng bị tiêu thụ bộ nhớ lớn với bộ lớn các tính năng. Một mô tả SIFT được xây dựng với biểu đồ gradient địa phương và được lưu trữ như một vector kích thước 128. Đối với các ứng dụng thời gian thực SIFT mô tả sau đó trở nên quá tính toán không hiệu quả [4]. Mô tả SURF cũng tính toán các biểu đồ gradient địa phương nhưng lưu trữ chúng như là các điểm nổi trong một vector kích thước 64. Surf giải quyết các vấn đề liên quan đến hiệu suất bằng cách làm mịn Gaussian như là một xấp xỉ lọc với một hình vuông, kết hợp với hình ảnh tích phân tạo ra tổng của các điểm ảnh trong một lưới con của chữ nhật. Tuy nhiên, đối với các ứng dụng thời gian thực Surf vẫn còn quá đắt vì số lượng mô tả cần thiết để được lưu trữ không có quy mô tốt.
Giới thiệu tóm tắt sử dụng các phương pháp trực tiếp máy tính Chuỗi nhị phân từ các bản vá lỗi trích xuất từ hình ảnh. Các giá trị cường độ pixel được đánh
bit duy nhất trong mỗi bitstring. Đối với mỗi bản vá hình ảnh smoothed một thử nghiệm được thiết lập như
định nghĩa trong [4]:

Kết quả (Việt) 3:

KCharselect unicode block name
Việc sử dụng các mô tả của sơ bộ là một phương pháp bắt nguồn từ các yêu cầu tăng dần của môi trường làm việc hạn chế tính, nơi các thuật to án dựa trên màn hình máy tính cần có hiệu quả hơn.Phương pháp cũ như SIFT và SurF có xu hướng chịu đựng một lượng lớn tiêu thụ trí nhớ với một số tính năng lớn.Một mô tả SIFT được xây dựng với biểu đồ tần số dốc cục bộ và được cất giữ như một véc- tơ kích cỡ 128.Trong các ứng dụng thời gian thực, mô tả SIFT sẽ trở nên quá kinh ngạc [4).The surF descriptor cũng đã tính toán tiền đề vượt mức độ địa phương nhưng lưu chúng như những điểm nổi trong một véc- tơ cỡ 69.SurF đã giải quyết các vấn đề về khả năng của nó bằng cách làm mịn màu Gaul như một mức lọc tương ứng với hình vuông, kết hợp với hình ảnh tổng hợp tạo ra tổng điểm ảnh trong một vùng chữ nhật bản.Tuy nhiên, trong các ứng dụng thời gian thực, SurF vẫn còn quá mắc, vì lượng của các mô tả cần lưu trữ không được lượng tốt.
Có lẽ các dòng chữ có thể tính toán trực tiếp từ các gỡ gỡ được lấy ra từ ảnh.Các giá trị độ mạnh của điểm ảnh được đánh giá cặp để có được
một chút riêng biệt trong mỗi cắn dây.Đối với mỗi miếng dán được làm mịn một thử nghiệm được đặt theo dạng
xác định trong (4):