دانلود رایگان ترجمه مقاله ثبت تصویر با استفاده از SIFT غیرخطی مبتنی بر انتشار ( آی تریپل ای 2014)

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F1876

علاوه بر این، فضاهای مقیاس تولید شده توسط این دو ضرایب متفاوت هستند: اولین ضریب به منظور ارتقاء لبه ها با کنتراست بالا ترجیح داده می شود، نه لبه ها با کنتراست پایین و ضریب دوم، مناطق گسترده ای را بر روی مناطق کوچکتر قرار می دهد. از تعریف آن به عنوان یک تابع کاهشی یکنواخت از گرادیان تصویر، واضح است که ضریب انتشار با مقدار گرادیان کوچکتر بسیار سریع تر از ضریب انتشار با یک مقدار گرادیان بزرگتر منتشر می شود. بر اساس این اصل، لبه ها در یک تصویر حفظ خواهند شد. در این مقاله، C2 به عنوان ضریب انتشار اتخاذ می شود.
از آنجا که هیچ راه حل تحلیلی برای حل معادله انتشار غیرخطی وجود ندارد [یعنی، (1)]، این راه حل با استفاده از روش عددی باید تقریب زده شود. یک راه حل محاسباتی کارآمد برای (1) توسط Weickert و همکاران پیشنهاد شد [10] که در آن طرح تقسیم اپراتور افزودنی (AOS) استفاده شده است. اعمال طرح AOS در (1)، رابطه زیر را ارائه می دهد.

در طول ایجاد NDSS، اطلاعات گرادیان در یک تصویر مورد نیاز است. به طور معمول، گرادیان را می توان با استفاده از روش تفاضل مرتبه اول ساده به دست آورد. با این حال، با توجه به نویز نقطه ای ضربی، این روش برای تصویر SAR مناسب نیست. این کار لبه های کاذب را در مناطقی با بازتاب بالا تولید خواهد نمود و برخی از اطلاعات تصویر را در مناطق با بازتاب کم از دست خواهد داد [4].
با توجه به نفوذ نویز نقطه ای در محاسبه اطلاعات گرادیان، ROEWA با توجه به مزیت داشتن نرخ هشدار ثابت اشتباه و نیرومندی در برابر نویز نقطه ای نسبت به روش تفاضل مرتبه اول معرفی شده است [11]. برای بهتر نشان دادن تفاوت بین روش تفاضل مرتبه اول و ROEWA، شکل 1 دامنه گرادیان را روی یک تصویر خراب شده با نویز نقطه ای از طریق دو روش محاسبه گرادیان ارائه می دهد. واضح است که گرادیان محاسبه شده توسط روش تفاضل مرتبه اول، مقادیر بزرگ تر را در مناطق بازتاب بالا نسبت به مناطق با بازتاب کم تولید می نماید، در حالی که گرادیان به دست آمده با ROEWA باعث تفاوت اندکی در مناطق همگن تحت شرایط بازتاب متفاوت می شود. با توجه به استحکام آن در برابر نویز نقطه ای، ROEWA برای محاسبه اطلاعات گرادیان در ایجاد NDSS استفاده می شود. با انجام این کار، ما می توانیم یک فضای مقیاس را تولید نماییم که دارای مقاومت بهتر به نقطه نویز است.
ما همان رویکرد انجام شده در SIFT را اتخاذ می نماییم که فضای مقیاس را به یک سری از O اکتاو و S زیرسطح جداسازی می نماییم. نمایندگی چند-مقیاسی از یک تصویر SAR به عنوان یک پشته از تصاویر هموار شده، با تصویر اصلی به عنوان شرایط و مقادیر مقیاس برابر با [12] تولید می شود که در آن مقادیر σ از عبارت زیر محاسبه می شود.
که در آن سطح مقیاس پایه است، و W تعداد کل تصاویر هموار شده است. o و s شاخص اکتاو O و زیرسطح S است. قابل توجه است، زمانی که ما به آخرین زیرسطح در هر اکتاو می رسیم، ما رزولوشن تصویر را کاهش می دهیم، همانطور که در SIFT شرح داده شده است و از تصویر با رزولوشن کاهش یافته به عنوان تصویر اولیه برای اکتاو بعدی استفاده می نماییم. در همین حال، برای رسیدن به حفاظت اطلاعات بهتر در تصویر SAR، ضریب کنتراست K باید بعد از هر تصویر با رزولوشن کاهش یافته تغییر یابد. روش نمایندگی در چند-مقیاسی توسط انتشار غیرخطی در الگوریتم 1 خلاصه شده است.
حذف نقطه دورافتاده با استفاده از تجانس فاز
با توجه به وجود نویز نقطه ای ضربی، تعداد زیادی از نقاط کلیدی غیر قابل اعتماد در نقاط کلیدی اولیه تشخیص داده شده توسط رویکرد ما به نظر می رسد. این تطبیقات غیر قابل اعتماد به تناظرات نادرست منجر خواهد شد و بیشتر روی محاسبه صحیح پارامترهای تبدیل تاثیر می گذارد. با در نظر گرفتن این مورد، ما تلاش نموده ایم تا تجانس فاز ر برای از بین بردن نقاط دورافتاده معرفی نماییم. نشان داده شده است که تجانس فاز در برابر تابش و شرایط کنتراست، تغییرناپذیر است. اطلاعات تجانس فاز در تصویر با تجزیه و تحلیل پاسخ فیلتر Gabor لگاریتمی روی جهت و مقیاس های [13] مختلف به دست می آید. حذف نقطه دورافتاده در این مقاله با مراحل زیر انجام شده است محاسبه اطلاعات تجانس مرحله در هر نقطه در مرجع و تصاویر حس شده؛ اطلاعات تجانس فاز متناظر را می توان به صورت زیر تعریف نمود.
که در آن (x، y)، مختصات یک نقطه را نشان می دهد، و اندیس n، مقیاس فیلتر است، (x، y) W ضریب وزنی مبتنی بر گسترش فراوانی است، و و دامنه و فاز در مقیاس n هستند. فاز میانگین وزنی، T آستانه نویز است، و ε ثابت کوچک برای جلوگیری از تقسیم بر صفر است.
2) برای تصویر SAR، تجانس فاز در یک محل نویز و یا غیر قابل اعتماد نسبتا ضعیف تر از آن خود آن محل است. اگر اطلاعات تجانس فاز در یک نقطه کلیدی (که توسط مشخص می شود) بزرگتر از یک مقدار آستانه باشد، یعنی، ، آنگاه این نقطه معتبر است. اگر زیر th باشد، آنگاه این نقطه رد می شود، که در آن th، یک آستانه از پیش تعیین شده است، و مقدار تجربی 0.01 پیشنهاد شده است.
پس از دو مرحله فوق، بسیاری از نقاط کلیدی اشتباه حذف می شود، که انتظار می رود احتمال تطبیق صحیح بهبود یابد. پس از حذف نقاط دورافتاده با استفاده از تجانس فاز، ما از حداقل فاصله اقلیدسی روی بردار توصیف کننده برای هر نقطه کلیدی به منظور پیدا کردن نقطه متناظر آن استفاده می نماییم. نسبت بین فاصله نزدیکترین همسایه و فاصله تا نزدیکترین همسایه دوم برای حذف تطبیقات نادرست محاسبه می شود. با توجه به مقدار نسبت فاصله، 0.8 توسط Lowe ترجیح داده می شود [2]. علاوه بر این، ما از استراتژی تطبیق دوگانه ارائه شده در [7] به منظور انتخاب تطبیقات استفاده می نماییم، به عنوان مثال، مرجع نقطه کلیدی و نقطه کلیدی B در تصویر حس شده به عنوان یک تناظر، تنها زمانی که دو نقطه با یکدیگر توسط نسبت فاصله تطبیق می یابند.
3. نتایج و تجزیه و تحلیل تجربی
به منظور بررسی عملکرد الگوریتم پیشنهادی، ما به طور تجربی آن را در چندین جفت از تصاویر واقعی SAR تأیید اعتبار می نماییم، و اطلاعات قبلی متناظر از تصاویر SAR در جدول I نشان داده شده است. در بخش III-A، ارائه های چند-مقیاسی تصاویر SAR به منظور بررسی اثربخشی NDSS همراه با ROEWA نمایش داده می شوند. در بخش III-B، مقایسه های ثبت بین روش پیشنهادی و دیگران برای نشان دادن برتری روش ما در عملکرد ثبت پیاده سازی می شوند.
A. عملکرد NDSS
در اینجا، یک مقایسه مختصر از NDSS با GSS داده می شود. ما ارائه چند-مقیاسی یک تصویر SAR را با استفاده از انتشار غیرخطی و هموارسازی گاوسی ایجاد نمودیم. نتایج به دست آمده در شکل 2نشان داده شده است، که در آن تصاویر در سمت چپ [یعنی شکل. 2 (a)] توسط GSS تولید شده اند، و تصاویر در سمت راست [یعنی، شکل. 2 (b)] نسخه غیرخطی با همان مقیاس ها هستند. در این مقاله، ما از همان تعداد از اکتاوهای O = 4 و زیرسطح S = 3، برای همه روش ها استفاده نمودیم.

همانطور که در شکل 2 نشان داده شده است، تفاوت بین NDSS و GSS آشکار است. در حالی که تصاویر GSS به طور فزاینده با افزایش مقدار مقیاس تار شده اند، تصاویر غیرخطی دارای یک تاری نسبتا کم یا مختصر هستند، که به استخراج نقاط کلیدی تر کمک خواهد کرد. برای تصویر بصری بهتر، شرح مفصل تر ارائه شده است. دو عکس که در شکل. 3، هر دو در چهارمین زیر سطح در اکتاو دوم قرار دارند. همانطور که می توان در شکل 3 مشاهده نمود، NDSS نمایشگر مزیت آن در مقایسه با GSS است.