برای یافتن یک الگوی مشخص در چند تصویر از روش های تطبیق تصویر استفاده می کنیم. تطبیق تصویر یکی از تکنیک های مهم پردازش تصویر است. تصاویر به عنوان یک بردار ویژگی چند بعدی در نظر گرفته می شوند. اشیای یک کلاس دارای ویژگی های یکسانی هستند و ویژگی های اشیای کلاس های متفاوت، با هم فرق دارند. برای شناسایی شباهت بین دو عکس باید مشخص شود که آیا ویژگی های آنها با هم تطابق دارند یا خیر. الگوریتم های تطبیق تصاویر باید شباهت یا تفاوت تصاویر را پیدا کنند. روشهای متفاوتی برای تطبیق تصاویر تاکنون توسعه داده شده است و هنوز هم این روش ها در حال توسعه اند. همه ی این روش ها دارای مزایای و معایبی هستند. با توجه به زمینه ی کاربرد موردنظر می توان هر یک از این الگوریتم ها را به کار برد.
کاربردهای تطبیق تصویر
- خودکار کردن ردیابی شی
- ساخت اشیای سه بعدی
- هدایت ربات
- بازیابی تصاویر
اجزای اصلی شناسایی ویژگی و تطبیق تصاویر
- شناسایی ویژگی ها: ویژگی ها با روش های مختلفی از روی تصاویر شناسایی می شوند.
- توصیف گر: ظاهر هر ویژگی طوری توصیف می شود که تحت تغییراتی مانند روشنایی، مقیاس، چرخش تغییر نکند. معمولا از یک بردار برای توصیف هر ویژگی استفاده می شود.
- تطبیق: بردار توصیف ویژگی های تصویر با دیگر تصاویر موجود مقایسه می شود تا شباهت ها مشخص شود.
استخراج ویژگی
ویژگی ها نقاطی هستند که عکس را توصیف می کنند. این نقاط در واقع، نقطه های عطفی هستند که در آن ها جهت مرز جسم تغییر می کند یا نقطه ای بین دو یا چند بخش از تصویر هستند. این نقاط دارای مکان مشخصی در تصویر هستند و با تغییراتی مانند تغییر در روشنایی ثابت می مانند.
وقتی یک انسان بخواهد شباهت دو شی را تشخیص دهد به رنگ و شکل آن ها نگاه می کند. روش های تطبیق تصویر نیز همین کار را انجام می دهند. ویژگی هایی را استخراج می کنند که توصیف کننده ی رنگ و شکل تصویر باشند. با تطبیق این ویژگی ها می توان شباهت دو تصویر را مشخص کرد.
روش تشخیص ویژگی
- روش مبتنی بر روشنایی تصویر
- روش مبتنی بر استخراج مرز (توسط تشخیص لبه ها و خمیدگی ها)
الگوریتم های مورد استفاده برای شناسایی ویژگی
- Harris Corner
- SIFT(Scale Invariant Feature Transform)
- SURF(Speeded Up Robust Feature)
- FAST(Features from Accelerated Segment Test)
- ORB(Oriented FAST and Rotated BRIEF)
توصیف گر ویژگی
یک توصیف گر تصویر، الگوریتمی است که تصویر را می گیرد و بردار ویژگی ها را تولید می کند. این توصیف گر اطلاعات را به صورت یک مجموعه ی عددی ذخیره می کند. دو نوع توصیف کننده داریم:
توصیف کننده عمومی: توصیفی فشرده از همسایه های محلی نقطه را شامل می شود. این توصیف کننده شکل و ظاهر را فقط در یک بخش محلی توصیف می کنند و از این نظر برای تطبیق مناسب است.
توصیف کننده ی سراسری: یک تصویر را به صورت کلی توصیف می کند. این توصیف گر خیلی در برابر تغییرات در یک قسمت از تصویر مقاوم نیستند و تغییر در بخشی از تصویر می تواند روی نتیجه ی توصیف گر تاثیر بگذارد.
الگوریتم های توصیف گر:
- SIFT(Scale Invariant Feature Transform)
- SURF(Speeded Up Robust Feature)
- BRISK (Binary Robust Invariant Scalable Keypoints)
- BRIEF (Binary Robust Independent Elementary Features)
- ORB(Oriented FAST and Rotated BRIEF)
تطبیق ویژگیها
تطبیق ویژگی یا تطبیق تصویر بخش از کاربردهای بینایی ماشین است که در ثبت تصاویر، کالیبراسیون دوربین، تشخیص شی، ارتباط بین دو تصویر از یک صحنه یا شی استفاده می شود. گام اول یافتن تعدادی ویژگی در تصاویر و توصیف های هر یک از آن هاست و در گام بعدی باید تطبیق هایی بین این ویژگی ها انجام شود.
عملکرد تطبیق تصاویر هم به نقاط شناسایی شده و هم توصیف آن ها بستگی دارد.
الگوریتم ها
- Brute-Force Matcher
- FLANN(Fast Library for Approximate Nearest Neighbors) Matcher
الگوریتم هایی برای تعیین ویژگی و تطبیق تصاویر
- Find a set of distinctive keypoints
- Define a region around each keypoint
- Extract and normalize the region content
- Compute a local descriptor from the normalized region
- Match local descriptors
