| rdfs:comment
| - في الرؤية الحاسوبية، كشف بلوب (بالإنجليزية: Blob detection) والذي يعني حرفياً الكشف النُقطي يهدف إلى اكتشاف المناطق في الصورة الرقمية التي تختلف في الخصائص، مثل السطوع أو اللون، مقارنة بالمناطق المحيطة. بشكل غير رسمي، البلوب هي منطقة في الصورة تكون فيها بعض الخصائص ثابتة أو ثابتة تقريبًا؛ جميع العناصر في البلوب يمكن اعتبارها بمعنى ما مشابهة لبعضها البعض. الطريقة الأكثر شيوعا في كشف بلوب هي الالتفاف. (ar)
- In computer vision, blob detection methods are aimed at detecting regions in a digital image that differ in properties, such as brightness or color, compared to surrounding regions. Informally, a blob is a region of an image in which some properties are constant or approximately constant; all the points in a blob can be considered in some sense to be similar to each other. The most common method for blob detection is convolution. (en)
- En el campo de la visión artificial, el reconocimiento de regiones se refiere a las técnicas cuyo objetivo es detectar puntos o regiones más claras o más oscuras de la imagen. Hay dos clases principales de detectores de regiones (i) métodos diferenciales y (ii) métodos basados en extremos locales. Estos detectores también se denominan detectores de puntos interesantes, o detectores de regiones interesantes (véase también y detección de esquinas). (es)
- Nella visione artificiale, il Rilevamento Blob (in inglese: Blob detection) o riconoscimento di regioni è una tecnica che ha come obiettivo di rilevare punti e/o regioni in una immagine che differisce in proprietà come luminosità o colore comparata con l'ambiente.Ci sono due classici rilevatori di blob: metodi differenziali basati su espressioni derivative e metodi basati sugli estremi locali nell'intensità del paesaggio. La recente terminologia li definisce come operatori puntuali e operatori regionali. (it)
- Em visão computacional, métodos de detecção de blob (detecção de região de interesse) focam em detectar regiões em imagens que se diferem em propriedades, tais como iluminação ou cor, comparado com regiões próximas. Informalmente, uma região de interesse é uma região da imagem em que algumas propriedades são constantes ou aproximadamente constantes; todos os pontos em uma região de interesse podem ser considerados, em determinados pontos de vista, similares entre si. (pt)
- У комп'ютернім баченні методи виявляння плям (англ. blob detection) спрямовано на виявляння областей у цифровому зображенні, які вирізняються за властивостями, такими як яскравість або колір, порівняно з навколишніми областями. Неформально пляма (англ. blob) — це область зображення, деякі властивості якої є сталими або приблизно сталими; всі точки в плямі можливо вважати в певному сенсі схожими одна на одну. Найпоширенішим методом виявляння плям є згортка. (uk)
|
| has abstract
| - في الرؤية الحاسوبية، كشف بلوب (بالإنجليزية: Blob detection) والذي يعني حرفياً الكشف النُقطي يهدف إلى اكتشاف المناطق في الصورة الرقمية التي تختلف في الخصائص، مثل السطوع أو اللون، مقارنة بالمناطق المحيطة. بشكل غير رسمي، البلوب هي منطقة في الصورة تكون فيها بعض الخصائص ثابتة أو ثابتة تقريبًا؛ جميع العناصر في البلوب يمكن اعتبارها بمعنى ما مشابهة لبعضها البعض. الطريقة الأكثر شيوعا في كشف بلوب هي الالتفاف. (ar)
- In computer vision, blob detection methods are aimed at detecting regions in a digital image that differ in properties, such as brightness or color, compared to surrounding regions. Informally, a blob is a region of an image in which some properties are constant or approximately constant; all the points in a blob can be considered in some sense to be similar to each other. The most common method for blob detection is convolution. Given some property of interest expressed as a function of position on the image, there are two main classes of blob detectors: (i) differential methods, which are based on derivatives of the function with respect to position, and (ii) methods based on local extrema, which are based on finding the local maxima and minima of the function. With the more recent terminology used in the field, these detectors can also be referred to as interest point operators, or alternatively interest region operators (see also interest point detection and corner detection). There are several motivations for studying and developing blob detectors. One main reason is to provide complementary information about regions, which is not obtained from edge detectors or corner detectors. In early work in the area, blob detection was used to obtain regions of interest for further processing. These regions could signal the presence of objects or parts of objects in the image domain with application to object recognition and/or object tracking. In other domains, such as histogram analysis, blob descriptors can also be used for peak detection with application to segmentation. Another common use of blob descriptors is as main primitives for texture analysis and texture recognition. In more recent work, blob descriptors have found increasingly popular use as interest points for wide baseline stereo matching and to signal the presence of informative image features for appearance-based object recognition based on local image statistics. There is also the related notion of ridge detection to signal the presence of elongated objects. (en)
- En el campo de la visión artificial, el reconocimiento de regiones se refiere a las técnicas cuyo objetivo es detectar puntos o regiones más claras o más oscuras de la imagen. Hay dos clases principales de detectores de regiones (i) métodos diferenciales y (ii) métodos basados en extremos locales. Estos detectores también se denominan detectores de puntos interesantes, o detectores de regiones interesantes (véase también y detección de esquinas). El estudio y desarrollo de estos detectores es importante por varias razones. La principal es dar información complementaria sobre regiones que no se puede obtener mediante detectores de bordes o . Los detectores de regiones se usan como paso previo para el reconocimiento de objetos o seguimiento de objetos. Otro uso habitual de estos detectores tiene que ver con el análisis de texturas y su reconocimiento. Recientemente, los descriptores de regiones han empezado a usarse para para informar de la presencia de determinados objetos en una imagen. Estas técnicas, en combinación con otras, tienen ya aplicaciones de uso más cotidiano: por ejemplo para software de dispositivos táctiles, funciones de detección de rostros y sonrisas en cámaras de fotos, sistemas de vigilancia y seguridad, o para analizar imágenes médicas (Diagnóstico Asistido por Ordenador). (es)
- Nella visione artificiale, il Rilevamento Blob (in inglese: Blob detection) o riconoscimento di regioni è una tecnica che ha come obiettivo di rilevare punti e/o regioni in una immagine che differisce in proprietà come luminosità o colore comparata con l'ambiente.Ci sono due classici rilevatori di blob: metodi differenziali basati su espressioni derivative e metodi basati sugli estremi locali nell'intensità del paesaggio. La recente terminologia li definisce come operatori puntuali e operatori regionali. I rilevatori blob si studiano e sviluppano per fornire informazione complementare sulle regioni, che non è possibile ottenere dai Riconoscimento dei contorni o .Nel lavoro di preparazione il rilevamento blob è usato per ottenere regioni di interesse per ulteriori processi di lavoro.Queste regioni possono segnalare la presenza di oggetti o parti di oggetti nel dominio dell'immagine con l'applicazione di riconoscimento di oggetti e/o .In altri domini, come nell'analisi dell'istogramma, i descrittori blob possono essere usati per il rilevamento di picchi con applicazione nella segmentazione.Un altro uso si trova come primitive principali nell'analisi e riconoscimento di texture. (it)
- Em visão computacional, métodos de detecção de blob (detecção de região de interesse) focam em detectar regiões em imagens que se diferem em propriedades, tais como iluminação ou cor, comparado com regiões próximas. Informalmente, uma região de interesse é uma região da imagem em que algumas propriedades são constantes ou aproximadamente constantes; todos os pontos em uma região de interesse podem ser considerados, em determinados pontos de vista, similares entre si. Dado alguma propriedade de interesse expressa por uma função de posição na imagem, existem duas classes de detectores de região de interesse: (i) métodos diferenciais, que são baseados em derivadas da função com respeito a posição, e (ii) métodos baseados em extremo local, que buscam encontrar valores máximo e mínimo da função. Com a terminologia mais recente usada na área, esses detectores podem ser referenciados como operadores de ponto de interesse, ou também como operadores de região de interesse (ver também e ). Existem várias motivações para o estudo e desenvolvimento de detectores de região de interesse. Uma das maiores razões é para providenciar informação complementar sobre regiões, que não é obtida por ou detectores de bordas. Nos primeiros trabalhos da área, a detecção era usada para obter regiões de interesse para posterior processamento. Essa regiões poderiam sinalizar a presença de objetos ou partes de objetos em um domínio de imagem com aplicação para e/ou de objetos. Em outros domínios, como análise de , descritores de região de interesse podem ser usados para detecção de pico com aplicação a segmentação. Outro uso comum de descritores de região de interesse é como primitivas para análise de textura e reconhecimento de textura. Em estudos mais recentes, descritores de região de interesse se tornaram mais populares, sendo usados como para uma grande base de e para sinalizar a presença de características informativas em imagens para reconhecimento de objetos baseados em aparência em estatísticas locais em imagens. Existe também a noção relacionada à para sinalizar presença de objetos longos. (pt)
- У комп'ютернім баченні методи виявляння плям (англ. blob detection) спрямовано на виявляння областей у цифровому зображенні, які вирізняються за властивостями, такими як яскравість або колір, порівняно з навколишніми областями. Неформально пляма (англ. blob) — це область зображення, деякі властивості якої є сталими або приблизно сталими; всі точки в плямі можливо вважати в певному сенсі схожими одна на одну. Найпоширенішим методом виявляння плям є згортка. Для деякої заданої особливої властивості, вираженої як функція від положення на зображенні, існує два основні класи виявлячів плям: (i) диференціальні методи, що ґрунтуються на похідних цієї функції від положення, та (ii) методи на основі локальних екстремумів, що ґрунтуються на пошуку локальних максимумів і мінімумів цієї функції. У сучаснішій галузевій термінології ці виявлячі також можуть називати операторами особливих точок (англ. interest point operator) або, як варіант, операторами особливих областей (англ. interest region operator, див. також виявляння особливих точок та виявляння кутів). Мотивів для дослідження та розробки виявлячів плям декілька. Однією з основних причин є забезпечення доповняльної інформації про області, не отримуваної від виявлячів контурів та кутів. У ранній праці в цій області виявляння областей використовували для отримування особливих областей для подальшої обробки. Ці області можуть сигналізувати про наявність об'єктів або частин об'єктів в області визначення зображення із застосуванням для та/або їхнього відстежування. В інших областях визначення, таких як аналіз , описувачі областей також можливо використовувати для виявляння піків із застосуванням для сегментування. Інше поширене застосуванням описувачів плям — основні примітиви для аналізу та розпізнавання текстур. У новіших працях описувачі плям знаходять все ширше застосування як особливі точки для стереозіставляння з широкою базою та для сигналізування про наявність інформативних ознак зображення для розпізнавання об'єктів за їхнім виглядом на основі локальних статистик зображень. Існує також пов'язане поняття виявляння хребтів для сигналізування про наявність видовжених об'єктів. (uk)
|
![[RDF Data]](/fct/images/sw-rdf-blue.png)
![[cxml]](/fct/images/cxml_doc.png)
![[csv]](/fct/images/csv_doc.png)
![[text]](/fct/images/ntriples_doc.png)
![[turtle]](/fct/images/n3turtle_doc.png)
![[ld+json]](/fct/images/jsonld_doc.png)
![[rdf+json]](/fct/images/json_doc.png)
![[rdf+xml]](/fct/images/xml_doc.png)
![[atom+xml]](/fct/images/atom_doc.png)
![[html]](/fct/images/html_doc.png)