این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۸، شماره ۲، صفحات ۱۴۷-۱۶۲
عنوان فارسی موزاییک تصاویر طبیعی بر اساس حذف نقاط کلیدی زائد در الگوریتم SIFT و الگوریتم RANSAC تطبیقی
چکیده فارسی مقاله موزاییک تصویر به ترکیب دو یا چند تصویر که قسمت­‌های هم‌پوشان دارند، به تصویری بزرگ‌تر و جامع‌­تر اطلاق می­‌شود. تبدیل ویژگیِ مقیاس‌­نابسته (SIFT) یکی از متداول­‌ترینِ شناساگرها است که در‌قبل در موزاییک تصویر مورداستفاده قرارگرفته است. از ایرادهای الگوریتمSIFT  کلاسیک تعداد زیاد نقاط کلیدی تکراری و زمان اجرای بالای آن به‌دلیل ابعاد بالای توصیف‌گر SIFT کلاسیک است، که باعث کاهش کارایی این الگوریتم می‌­شود. در این مقاله، برای بالا‌بردن کیفیت موزاییک تصویر، از  الگوریتم RKEM-SIFT که نسخه بهبودیافته SIFT است جهت شناسایی نقاط کلیدی استفاده‌ شده و سپس، برای بهبود سرعت الگوریتم از توصیف‌گر 64‌بُعدی SIFT استفاده ‌شده است. پنجره کوچک‌ترِ این توصیف‌گر نسبت به توصیف‌گر 128‌بُعدی SIFT باعث می‌شود دقّت تطبیق افزایش و زمان اجرا کاهش پیدا کند. در ادامه، برای حذف تطبیق­‌های نادرست، از الگوریتم اجتماع نمونه تصادفی (RANSAC) استفاده‌ شده که مقدار آستانه پیشنهادی آن به‌صورت وفقی بر اساس میانه فواصل بین نقاط تطبیق و مدل تطبیق آن­ها محاسبه‌ شده است. برای هر نقطه تطبیق اگر فاصله بین آن نقطه و تطبیق‌یافته آن بر اساس مدل از مقدار آستانه پیشنهادی کمتر باشد، نقطه تطبیق درست تشخیص و حفظ و در غیر این صورت تطبیق نادرست تشخیص داده‌شده و حذف می‌­شود؛ درنهایت روش جدیدی نیز در این مقاله جهت ترکیب تصویر پیشنهاد شده است. روش پیشنهادی ترکیب تصویر بر اساس تابع وزنی گوسی است که میانگین این تابع گوسی به‌صورت میانگین داده‌­های محدوده مشترک و هم‌پوشان دو تصویر، در ­نظر گرفته ­شده است. در قسمت آزمایش‌­ها، روش پیشنهادی موزاییک تصاویر طبیعی که شامل استفاده از الگوریتم RKEM-SIFT، RANSAC وفقی پیشنهادی و الگوریتم ترکیب تصویر پیشنهادی است، بر روی پایگاه­‌های تصاویر استاندارد و همین‌طور پایگاه تصاویر ایجادشده پیاده­‌سازی شده و با روش­‌های SURF و تطبیق دوطرفه سریع، SURF-LM و SIFT-RANSAC مورد مقایسه قرارگرفته است. نتایج آزمایش‌­ها حاکی از برتری روش­ پیشنهادی با توجه به معیارهای خطای میانگین مربعی و دقّت دارد که نسبت به بهترین روش مقایسه‌شده (SURF و تطبیق دوطرفه سریع) کاهش 7/6 ٪  بیشینه خطا،  09/30 ٪ ریشه میانگین مربعات خطا و 68/37 ٪ میانه خطا را باعث شده است.
کلیدواژه‌های فارسی مقاله موزاییک تصویر، انطباق تصویر، الگوریتم SIFT.
عنوان انگلیسی Natural Image Mosaicing based on Redundant Keypoint Elimination Method in SIFT algorithm and Adaptive RANSAC method
چکیده انگلیسی مقاله Image mosaicing refers to stitching two or more images which have overlapping regions to a larger and more comprehensive image. The image mosaicing process is widely used in scene stabilization, change detection, video compression, and image compression. Image mosaicing methods can be divided into two categories, direct methods and feature-based methods, which feature-based methods are more accurate. Scale Invariant Feature transform (SIFT (is one of the most common feature-based methods in the image mosaicing. However, one of the big defects of SIFT algorithm is the large number of duplicate key points and being time-consuming due to the high dimensions of classical SIFT descriptor. In this paper, to solve these problems, a new four-step approach for image mosaicing is proposed. At first, Redundant Keypoint Elimination-SIFT (RKEM-SIFT) algorithm which has been proposed in [1] is used to identify keypoints of reference and sensed images and to improve the mosaicing process. In the second stage, for each keypoint of the image, 64-D SIFT descriptor is computed. In this descriptor, unlike the 128-D SIFT descriptor, a smaller window is used which improves the accuracy of matching and reduces the running time. In the third stage, the proposed improved RANdom SAmple Consensus (RANSAC) algorithm is used to determine the adaptive threshold in the RANSAC algorithm to remove the mismatches and to improve the image mosaicing. Determining the appropriate threshold value in RANSAC is so important, because if an appropriate value is not chosen for this algorithm, the mismatches are not removed, and eventually there will be a serious impact on the outcome of the image mosaicing process. In this method, the threshold value is based on the median value of distances between matching points and their transformed model. Image blending in the mosaicing process is the final step which blends the pixels intensity in the overlapped region to avoid seams. The suggested method of blending is to combine the images based on the average of the data in the overlapped region of two images. The proposed blending method reduces artifacts in the image for better performance of the mosaicing process. Another advantage of this proposed method is the possibility to combine more than two images that are suitable for creating panoramic images. The simulation results of the proposed image mosaicing technique, which includes the RKEM-SIFT algorithm as feature detector, 64-D SIFT descriptor, proposed adaptive RANSAC algorithm, and proposed image blending algorithm. The proposed method is implemented on standard image databases, created image databases, and has been compared with SURF- fast bidirectional matching, SURF-LM and SIFT-RANSAC methods. The results of the experiments show the superiority of the proposed method according to the criteria of mean square error and accuracy, which compared to the best compared method (SURF-fast bidirectional matching) reduces 6.7% maximum error, 30.09% root mean square error and 37.68% caused the median error.
کلیدواژه‌های انگلیسی مقاله Image mosaicing, Image registration, SIFT
نویسندگان مقاله زهرا حسین نژاد | Zahra Hossein-Nejad
Department of Electrical Engineering, Sirjan Branch, Islamic Azad University
گروه مهندسی برق، واحد سیرجان، دانشگاه آزاد اسلامی

مهدی نصری | Mehdi Nasri
Department of Electrical Engineering, Khomeinishahr Branch, Islamic Azad University
گروه مهندسی برق، واحد خمینی‌شهر، دانشگاه آزاد اسلامی

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1353-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش تصویر
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات