ویژگی های Haar مانند ویژگی های تصویر دیجیتالی هستند که در تشخیص اشیا استفاده می شوند. آنها بر اساس موجک هار هستند و توسط پل ویولا و مایکل جونز پیشنهاد شده اند.
ویژگی های هار مانند اساساً از دو یا چند ناحیه مستطیلی تشکیل شده است که برای محاسبه مجموع شدت پیکسل ها در آن مناطق استفاده می شود. تفاوت بین این مبالغ سپس به عنوان ویژگی برای تشخیص استفاده می شود.
چند نمونه از ویژگی های Haar مانند عبارتند از:
1. ویژگی های لبه: برای تشخیص لبه ها و بافت ها استفاده می شود. دارای دو ناحیه مستطیل شکل مجاور با قطب مخالف است.
2. ویژگی های خط: چهار منطقه مستطیلی در یک ردیف با قطبیت متناوب. برای تشخیص ساختارهای خطی استفاده می شود.
3. ویژگی های مرکز فراگیر: چهار ناحیه مستطیلی با دو ناحیه مرکز قطب مخالف که توسط دو ناحیه بیرونی با قطب مخالف احاطه شده اند. برای تشخیص تضاد بین مناطق مرکزی و اطراف استفاده می شود.
این ویژگی ها با استفاده از یک انتگرال تصویر بسیار سریع محاسبه می شوند و نسبت به تغییرات جزئی در روشنایی و جهت گیری ثابت هستند.
برخی از ویژگی های کلیدی ویژگی های Haar مانند عبارتند از:
1. محاسبه سریع با استفاده از تصویر انتگرال.
2. تغییر ناپذیر چرخشی - همین ویژگی ها را می توان در هر جهتی اعمال کرد.
3. Scale invariant - همین ویژگی ها می توانند با مقیاس گذاری تصویر ورودی، شی را در هر مقیاسی تشخیص دهند.
4. ویژگی های مجاور همبستگی بالایی ندارند.
5. می تواند برای نرخ تشخیص بالا تنظیم شود.
امیدواریم این به توضیح ویژگی‌های Haar مانند کمک کند! اگر سوال دیگری داشتید من را در جریان بگذارید.
به طور خلاصه، ویژگی های Haar مانند فیلترهای مستطیلی ساده ای هستند که برای تشخیص الگوهای خاص کنتراست بین مناطق مجاور در یک تصویر استفاده می شوند. با اعمال این فیلترها در چندین موقعیت مقیاس و در تصویر، می توان مجموعه ای از ویژگی ها را استخراج کرد که می توان از آنها برای تمایز بین اشیاء یا کلاس های مختلف اشیاء استفاده کرد.