بخشی از مقاله
چکیده :
عوامل متعددی همچون پیچیدگی و اختلاف ساختار هندسی تصاویر برد کوتاه منجر به بروز چالشهای مختلف در فرآیند تناظر یابی می گردند. در این مقاله یک الگوریتم تناظریابی عارضه مبنا ی کارآمد در قالب پنج مرحله جهت استخراج نقاط ثقل عوارض موضعی ناحیه مبنا در تصویر و تناظریابی این نقاط جهت تشکیل مدل سه بعدی ارائه شده است. در مرحله اول ابتدا تصویر به منظور استخراج عوارض موضعی ناحیه مبنا قطعه بندی می گردد.
در مرحله دوم تصویر جهت کلاسه بندی عوارض موضعی بر مبنای ویژگی های شی مبنا برچسب دهی می شود. این مرحله به منظور استخراج عوارض موضعی ناحیه مبنا مورد نظر از دیگر عوارض موضعی و افزودن ویژگی های شی مبنا به آنها انجام می شود. در مرحله سوم نقاط ثقل نواحی استخراج می گردند. در مرحله چهارم تناظریابی بین نقاط ثقل با استفاده از یک روش جدید مبتنی بر تعیین ضرایب تبدیل افاین بین جفت تصاویر با استفاده از الگوریتم ژنتیک و نتایج طبقه بندی شی گرا انجام می پذیرد.نتایج نشان می دهد که الگوریتم توانسته تا 90 درصد نقاط را به درستی منطبق کند.
-1 مقدمه
تناظریابی یکی از اصلی ترین فرآیند های لازم جهت به کارگیری تصاویر فتوگرامتری برد کوتاه در اهداف مختلف نظیر مدل سازی سه بعدی است. منظور از تناظریابی تعیین مطابقت میان موقعیت های نظیر در دو یا چند تصویر از یک منظره یکسان میباشد
از نقطه نظر عملکرد، می توان روشهای تناظریابی را در دو گروه کلی ناحیه ای و عارضه ای تقسیم بندی کرد. روشهای ناحیه ای روش هایی هستند که در آنها سعی بر تعیین نواحی تصویری مشترک و متناظر در تصاویر گردیده و در مرحله بعد با استفاده از الگوریتم های تناظریابی، نقاط مشترک در دو تصویر تعیین می گردند. در روش های عارضه مبنا ابتدا بر مبنای یک استخراج گر مناسب، عوارض موجود در تصاویر استخراج گردیده - نقاط،حباب ها و نواحی - و در مرحله بعد بر مبنای این عوارض استخراج شده نسبت به تعیین نقاط متناظر موجود اقدام می گردد.
بسیاری از روش های تناظریابی موجود، در مواجهه با تصاویر همگرا با قدرت تفکیک مکانی بالا به دلیل عوامل مختلفی چون نوع دوربین - یا سنسور - و زاویه دید متفاوت آن، اعوجاجات هندسی، جابجایی ناشی از اختلاف ارتفاع و مناطق پنهان شده در تصاویر، اختلاف مقیاس، اختلاف روشنایی و سطوح با بافت متفاوت کارایی لازم را ندارند.[4] روش های ناحیه مبنا با وجود دقت مکانی بالا به علت آنکه از درجات خاکستری به عنوان معیار اصلی استفاده می کنند، قادر به حل برخی از مشکلات ذکر شده نیستند. اما در روش های عارضه مبنا علاوه بر درجات خاکستری از ویژگی های دیگر عوارض استخراجی نیز استفاده می شود.
بنابراین این روشها میتوانند تا حدودی مشکلات مطرح در حوزه تناظریابی را حل نمایند. در تصاویر برد کوتاه عوامل متعددی همچون پیچیدگی و اختلاف ساختار هندسی تصاویر منجر به بروز چالشهای مختلف در فرآیند تناظریابی میگردند. بر این اساس روش های تناظریابی ناحیه مبنا اغلب عملکرد مناسبی در این تصاویر ندارند.
برای رفع این مشکلات و بهبود در عملکرد تناظریابی، در این مقاله یک روش ترکیبی عارضه مبنا با استفاده از نقاط ثقل عوارض موضعی ناحیه ای که تا حدود زیادی از دوران، تغییر مقیاس و تغییرمنظر - مشکلات تصاویر برد کوتاه - تاثیر کمتری می پذیرند، سعی بر حل مشکلات این تصاویر دارد. برای تعیین این عوارض در تصویر، از یک فرآیند طبقه بندی شئ گرا استفاده شده است. به نحوی که ابتدا اشیاء تصویری منطبق بر عوارض موضعی مورد نظر با یک روش قطعه بندی استخراج شده و سپس بر اساس فضای ویژگی شئ مبنا، در کلاس های مورد نظر برچسب دهی می گردند. تناظریابی بین نقاط ثقل این عوارض به کمک الگوریتمی مبتنی بر تعیین ضرایب رابطه افاین بین تصاویر با کمک الگوریتم ژنتیک[5] که توسط نتایج طبقه بندی شئ گرا بهبود یافته است، انجام می پذیرد. در ادامه اجزاء الگوریتم و نتایج ارزیابی ها بیان می گردند.
-2 معرفی الگوریتم پیشنهادی در این تحقیق
الگوریتم پیشنهادی مطابق شکل - 1 - از چهار مرحله کلی تشکیل شده است. پس از اخذ تصاویر همگرای برد کوتاه از عارضه مورد نظر، در گام اول عوارض موضعی ناحیه مبنا در قالب قطعه بندی تصویر، استخراج گردیده و نقاط ثقل آنها تعیین می گردد. سپس جهت تفکیک و تعیین عوارض مطلوب، با استفاده از فضای ویژگی شئ مبنا و با کمک الگوریتم طبقه بندی نظارت شده knn،عوارض موضعی کلاسه بندی می شوند. در گام سوم عوارضِ استخراج شده و طبقه بندی شده، با استفاده از الگوریتم مبتنی بر تعیین رابطه افاین بین تصاویر با کمک الگوریتم ژنتیک و نتایج طبقه بندی شئ گرا، تناظر یابی می گردند. نهایتاً تناظر های اشتباه با استفاده از نتایج طبقه بندی شئ گرا، حذف می گردند. پس از تعیین عوارض نهایی متناظر، مختصات سه بعدی آنها در فضای عارضه با کمک سرشکنی به کمک دسته اشعه باندل و سلف کالیبراسیون، تعیین می شوند. در ادامه اجزاء الگوریتم تشریح می گردند.
شکل : 1 اجزاء و روند الگوریتم معرفی شده
-1-2 استخراج عوارض موضعی
به منظور استخراج عوارض موضعی ناحیه مبنا و تفکیک شده از تصاویر، از الگوریتم های مبتنی بر طبقه بندی شئ گرا استفاده شده است. در روش های طبقه بندی شئ گرا برای استخراج اشیاء تصویری، اغلب از الگوریتم های قطعه بندی استفاده میگردد. تکنیک های قطعه بندی تصویر را می توان در پنج دسته کلی معرفی نمود : قطعه بندی بر اساس پیکسل[6]، قطعه بندی بر اساس ناحیه[7]، قطعه بندی بر اساس تشخیص لبه [9 ,8]، قطعه بندی ترکیبی بر اساس لبه و ناحیه[10] و قطعه بندی بر اساس خوشه بندی .
k-means جهت قطعه بندی در این مقاله از یک الگوریتم بر مبنای رشد ناحیه ای بر روی پیکسل های تصویری تا یک حد آستانه از پیش تعیین شده و با اعمال پارامترهای کنترلی نرم بودن مرز نواحی1 و فشردگی یا کشیدگی آنها 2 استفاده شده است. پس از استخراج نواحی، نقاط ثقل آنها تعیین گردیده اند. نقاط ثقل عوارض ناحیهای می توانند به جهت پایداری بالا نسبت به دروان، تغییر مقیاس و تغییرمنظر تصویر برداری در تناظریابی تصاویر برد کوتاه که دارای پیچیدگی های هندسی می باشند، ویژگی های قابلیت تکرار3، تمایز /4 پرمحتوایی 5، موضعی و محلی بودن6، کمیت 7، دقت8، کارایی9، تغییرناپذیری 10 و پایداری11 را برای عوارض مبنای تناظریابی، تا حد زیادی تأمین نمایند.
عوارض ناحیه ای حاصل از قطعه بندی در تصویر با استفاده از ویژگی های شئ مبنا برچسب گذاری می شوند. این اشیاء ایجاد شده در تصویر، فضای ویژگی منحصر به فردی ایجاد میکنند. به نحوی که می توان به کمک این فضای ویژگی، قبل از اینکه از این عوارض در فرآیند تناظریابی استفاده کرد، در یک فرآیند طبقه بندی شئ مبنا، این عوارض را تفکیک و طبقه بندی نمود. ایده اصلی این مقاله استفاده از نتایج حاصل از این طبقه بندی در فرآیند تناظریابی افاین مبنا و پس پردازش نتایج آن میباشد.
