ارزیابی عملکرد توصیفگرهای موضعی در تصاویر ماهواره‌ای

نوع مقاله : علمی - پژوهشی

نویسندگان

1 استادیار گروه مهندسی نقشه‌برداری، دانشگاه تبریز

2 دانشیار گروه فتوگرامتری و سنجش از دور، عضو قطب علمی فناوری اطلاعات مکانی، دانشگاه صنعتی خواجه نصیرالدین طوسی

چکیده

توصیفگرها توزیع درجات خاکستری تصویر را در ناحیۀ اطراف عوارض توصیف می‌کنند و در تعیین مطابقت آنها، در کاربردهای گوناگونی همچون مرتبط‌سازی تصویر و تولید مدل سه‎بعدی در فتوگرامتری و سنجش از دور، نقش اساسی دارند. روش‌های گوناگونی برای ایجاد توصیفگر ارائه شده‌ که ویژگی‌ها و کاربردهای متفاوتی دارند. شناخت ویژگی‌های الگوریتم‌ها و چگونگی عملکرد آنها در شرایط گوناگون نیازی اساسی برای استفادۀ مناسب از آنها در موارد گوناگون است. در این تحقیق عملکرد ده توصیفگر مطرح شامل SI، SC، SIFT، PIIFD، SURF، DAISY، LSS، LBP، LIOP و BRISK در انواع مختلف از تصاویر ماهواره‌ای اپتیکی با تنوع گسترده‌ای از اعوجاجات شامل اختلاف مقیاس، دوران، روشنایی و تغییر منظر مورد ارزیابی قرار می‌گیرد. هشتاد جفت تصویر ماهواره‌ای در سه دستۀ گوناگون شامل شبیه‌سازی‌شده، چندزمانه و چندسنسوری انتخاب می‌شود و نتایج با استفاده از چهار معیار اساسی Recall، Precision، دقت هندسی و کارآیی مقایسه می‌شود. الگوریتمی که در همۀ حالت‌ها و برای همۀ تصاویر بهتر از دیگر الگوریتم‌ها باشد، وجود ندارد اما به‌طور میانگین، توصیفگر‌های DAISY و SIFT بهترین عملکرد، و الگوریتم‌های SI و SC نیز بدترین نتایج را در تصاویر ماهواره‌ای دارند.

کلیدواژه‌ها

عنوان مقاله [English]

A Performance Evaluation of Local Descriptors

نویسندگان [English]

  • A Sedaghat 1
  • H Ebadi 2
1 Assistant Prof., Dep. of Surveying Engineering, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran
2 Associate Prof., Dep. of Geomatics Engineering, K.N. Toosi University of Technology
چکیده [English]

A descriptor is computed on a local region around a feature point and is used to characterize and compare the features. Various descriptors have been proposed in the literature which have different properties and performance in different image data. Evaluation of the local feature descriptor is important to identify the strengths and weaknesses of each algorithm in different applications. In this paper a performance evaluation of the state of the art in local descriptors is performed on a set of satellite images under varying imaging conditions. Ten descriptors are included, which are spin image (SI), shape context (SC), SIFT, PIIFD, SURF, DAISY, LSS, LBP, LIOP and BRISK. 80 satellite image pairs in three groups including simulated images, multi-temporal, and multi sensor images are used as data set and descriptors are evaluated using four evaluation criteria including Recall, Precision, positional accuracy and speed. The evaluation results indicate that there does not exist one descriptor which outperforms the other descriptor for all scene types and all types of transformations, but in average DAISY and SIFT show the best performance

کلیدواژه‌ها [English]

  • : Image Matching
  • Image registration
  • Descriptor
  • Local Feature
  • Satellite image

مراجع

  1. صداقت، ا.، عبادی، ح.، صاحبی، م.، مقصودی، ی.، مختارزاده، م.، 1392ب، آشکارسازی تغییرات مناطق شهری با استفاده از تصاویر بزرگ مقیاس ماهواره‌ای، نشریۀ علوم و فنون نقشه‌برداری، دورۀ دوم، شمارۀ 4، صص. 16-1.
  2. صداقت، ا.، عبادی، ح.، مختارزاده، م.، 1389ب، تلفیق عملگر Harris و توصیفگر SIFT جهت مرتبطسازی تصاویر ماهواره‌ای، نشریۀ‌ سنجش از دور و GIS ایران، دورۀ دوم، شمارۀ 1، صص. 22-1.
  3. صداقت، ا.، عبادی، ح.، محمدزاده، ع.، مختارزاده، م.، 1392الف، تناظریابی اتوماتیک تصاویر همگرا در فتوگرامتری برد کوتاه، نشریۀ علوم و فنون نقشه‌برداری، دورۀ سوم، شمارۀ 1، صص. 46-31.
  4. صداقت، ا.، مختارزاده، م.، عبادی، ح.، 1390، طراحی و توسعۀ معیار مشابهت اطلاعات متقابل جهت تناظریابی مستقل از مقیاس و دوران، نشریۀ علوم و فنون نقشه‌برداری، دورۀ اول، شمارۀ 2، صص. 56-43.
  5. صداقت، ا.، مختارزاده، م.، عبادی، ح.، مقری، م.، 1389الف، طراحی و توسعۀ روشی دقیق و اتوماتیک برای مرتبط‌سازی تصاویر هوایی و ماهوار‌ه‌ای، نشریۀ تخصصی مهندسی فناوری اطلاعات مکانی، دورۀ اول، شمارۀ 1، صص. 60-43.
  6. Alahi, A., Ortiz, R. & Vandergheynst, P., 2012, Freak: Fast Retina Keypoint, In Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on, pp. 510-517.
  7. Bay, H., Ess, A., Tuytelaars, T. & Van Gool, L., 2008, Speeded-Up Robust Features (SURF), Computer Vision and Image Understanding, 110: 346-359.
  8. Belongie, S., Malik, J. & Puzicha, J., 2002, Shape Matching and Object Recognition Using Shape Contexts, Pattern Analysis and Machine Intelligence, IEEE Transactions on, 24: 509-522.
  9. Brown, M., Hua, G. & Winder, S., 2011, Discriminative Learning of Local Image Descriptors, Pattern Analysis and Machine Intelligence, IEEE Transactions on, 33: 43-57.
  10. Calonder, M., Lepetit, V., Ozuysal, M., Trzcinski, T., Strecha, C. & Fua, P., 2012, BRIEF: Computing a Local Binary Descriptor Very Fast, Pattern Analysis and Machine Intelligence, IEEE Transactions on, 34: 1281-1298.
  11. Chen, J., Tian, J., Lee, N., Zheng, J., Smith, R. & Laine, A.F., 2010, A Partial Intensity Invariant Feature Descriptor for Multimodal Retinal Image Registration, Biomedical Engineering, IEEE Transactions on, 57: 1707-1718.
  12. Cui, Y., Hasler, N., Thormählen, T. & Seidel, H.-P., 2009, Scale Invariant Feature Transform with Irregular Orientation Histogram Binning, Image Analysis and Recognition, pp. 258-267.
  13. Daugman, J.G., 1985, Uncertainty Relation for Resolution in Space, Spatial Frequency, and Orientation Optimized by Two-Dimensional Visual Cortical Filters, JOSA A, 2: 1160-1169.
  14. Freeman, W.T. & Adelson, E.H., 1991, The Design and Use of Steerable Filters, Pattern Analysis and Machine Intelligence, IEEE Transactions on, 13: 891-906.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار