In the areas of computer vision, image analysis and signal processing, the notion of scale-space representation is used for processing measurement data at multiple scales, and specifically enhance or suppress image features over different ranges of scale (see the article on scale space). A special type of scale-space representation is provided by the Gaussian scale space, where the image data in N dimensions is subjected to smoothing by Gaussian convolution. Most of the theory for Gaussian scale space deals with continuous images, whereas one when implementing this theory will have to face the fact that most measurement data are discrete. Hence, the theoretical problem arises concerning how to discretize the continuous theory while either preserving or well approximating the desirable theo
| Attributes | Values |
|---|
| rdfs:label
| - Scale space implementation (en)
- Втілення простору масштабів (uk)
|
| rdfs:comment
| - In the areas of computer vision, image analysis and signal processing, the notion of scale-space representation is used for processing measurement data at multiple scales, and specifically enhance or suppress image features over different ranges of scale (see the article on scale space). A special type of scale-space representation is provided by the Gaussian scale space, where the image data in N dimensions is subjected to smoothing by Gaussian convolution. Most of the theory for Gaussian scale space deals with continuous images, whereas one when implementing this theory will have to face the fact that most measurement data are discrete. Hence, the theoretical problem arises concerning how to discretize the continuous theory while either preserving or well approximating the desirable theo (en)
- У галузях комп'ютерного бачення, та обробки сигналів поняття масштабопросторового подання використовують для обробки даних вимірювань у декількох масштабах, а саме для посилення або пригнічування ознак зображення в різних діапазонах масштабу (див. статтю про простір масштабів). Особливий тип масштабопросторового подання забезпечує гауссів простір масштабів, де дані зображення в N вимірах зазнають згладжування гауссовою згорткою. Більша частина теорії гауссового простору масштабів має справу з безперервними зображеннями, тоді як при втіленні цієї теорії доведеться зіткнутися з тим, що більшість даних вимірювань є дискретними. Отже, виникає теоретична проблема щодо того, як здискретувати цю неперервну теорію, зберігаючи або добре наближуючи бажані теоретичні властивості, що ведуть до обранн (uk)
|
| foaf:depiction
| |
| dcterms:subject
| |
| Wikipage page ID
| |
| Wikipage revision ID
| |
| Link from a Wikipage to another Wikipage
| |
| sameAs
| |
| dbp:wikiPageUsesTemplate
| |
| thumbnail
| |
| has abstract
| - In the areas of computer vision, image analysis and signal processing, the notion of scale-space representation is used for processing measurement data at multiple scales, and specifically enhance or suppress image features over different ranges of scale (see the article on scale space). A special type of scale-space representation is provided by the Gaussian scale space, where the image data in N dimensions is subjected to smoothing by Gaussian convolution. Most of the theory for Gaussian scale space deals with continuous images, whereas one when implementing this theory will have to face the fact that most measurement data are discrete. Hence, the theoretical problem arises concerning how to discretize the continuous theory while either preserving or well approximating the desirable theoretical properties that lead to the choice of the Gaussian kernel (see the article on scale-space axioms). This article describes basic approaches for this that have been developed in the literature. (en)
- У галузях комп'ютерного бачення, та обробки сигналів поняття масштабопросторового подання використовують для обробки даних вимірювань у декількох масштабах, а саме для посилення або пригнічування ознак зображення в різних діапазонах масштабу (див. статтю про простір масштабів). Особливий тип масштабопросторового подання забезпечує гауссів простір масштабів, де дані зображення в N вимірах зазнають згладжування гауссовою згорткою. Більша частина теорії гауссового простору масштабів має справу з безперервними зображеннями, тоді як при втіленні цієї теорії доведеться зіткнутися з тим, що більшість даних вимірювань є дискретними. Отже, виникає теоретична проблема щодо того, як здискретувати цю неперервну теорію, зберігаючи або добре наближуючи бажані теоретичні властивості, що ведуть до обрання гауссового ядра (див. статтю про масштабопросторові аксіоми). У цій статті описано основні підходи для цього, які було розроблено в літературі. (uk)
|
| prov:wasDerivedFrom
| |
| page length (characters) of wiki page
| |
| foaf:isPrimaryTopicOf
| |
| is Link from a Wikipage to another Wikipage
of | |
| is Wikipage redirect
of | |
| is foaf:primaryTopic
of | |
![[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)
