WikiDer > Пространственная проверка

Эта статья является сирота, как никакие другие статьи ссылка на это. Пожалуйста ввести ссылки на эту страницу из Статьи по Теме; попробуйте Инструмент поиска ссылок для предложений. (Сентябрь 2017 г.)

Было предложено, чтобы эта статья была слился в Регистрация изображения. (Обсуждать) Предлагается с августа 2020 года.

В пространственная проверка заключается в проверке пространственной корреляции между определенными точками пары изображений.

Основная проблема заключается в том, что выбросы (которые не подходят или не соответствуют выбранной модели) влияют на корректировку, называемую наименьших квадратов (метод численного анализа, основанный на математической оптимизации, при которой по заданному набору упорядоченных пар: независимая переменная, зависимая переменная и семейство функций пытаются найти непрерывную функцию).

Преимущества

• Эффективен, когда можно найти безопасные функции без лишнего шума.
• Хорошие результаты для переписка в конкретных случаях.

Недостатки

• Масштабные модели.
• Пространственная верификация не может использоваться в качестве постобработки.

Методы

Для пространственной проверки и предотвращения ошибок, вызванных этими выбросами, наиболее широко используются следующие методы:

Оборудованная линия с RANSAC

Консенсус случайной выборки (RANSAC)

Стремится избежать влияния выбросов, которые не соответствуют модели, поэтому рассматривает только встроенные элементы, которые соответствуют рассматриваемой модели. Если для вычисления текущего параметра выбран выброс, то результирующая линия будет мало поддерживаться остальными точками. Алгоритм, который выполняется, представляет собой цикл, который выполняет следующие шаги:

1. Из всего набора входных данных случайным образом выбирается подмножество для оценки модели.
2. Подмножество вычислительной модели. Модель оценивается стандартными линейными алгоритмами.
3. Найдите совпадающие значения преобразования.
4. Если ошибка является минимальной моделью, это принимается, а если количество соответствий достаточно велико, делается ссылка на подмножество точек, связанных с консенсусной сборкой. И становится вычислять оценочную модель во всех соответствиях.

Цель состоит в том, чтобы сохранить модель с наибольшим количеством совпадений, и основная проблема заключается в том, сколько раз вам придется повторять процесс, чтобы получить наилучшую оценку модели. RANSAC заранее устанавливает количество итераций алгоритма.

Для указания сцен или объектов обычно используется аффинные преобразования выполнить пространственную верификацию.

Обобщенное преобразование Хафа (GHT)

Это метод обнаружения форм на цифровых изображениях, который решает вопрос правдивости пространства по кластерам точек, принадлежащих модели, посредством процедуры голосования по набору параметрических фигур.

Не все возможные комбинации сравнивают характеристики, настраивая модель для каждого возможного подмножества, так что метод голосования, в котором голос сохраняется для каждой возможной строки, в которой используется каждая точка. Затем посмотрите, какие линии набрали наибольшее количество голосов и какие выбраны.

Если мы используем локальные характеристики инварианта масштаба, поворота и перемещения, каждое совпадение признаков дает гипотезу выравнивания для масштабирования, перемещения и ориентации модели на картинке.

Одна гипотеза, сгенерированная одним совпадением, может быть ненадежной, поэтому для каждого совпадения (совпадения) проводится голосование, чтобы получить более сильную гипотезу в пространстве Хафа. Итак, у нас есть две основные фазы:

• Обучение персонала: Для каждой характеристической модели в 2D сохраняется местоположение, масштаб и ориентация модели.
• Тест: каждое совпадение может выполняться алгоритмом ПРОСЕЯТЬ а характеристики модели голосуют в пространстве Хафа.

Основные недостатки:

• Шум или беспорядок могут показать больше обратной связи от тех, кто стремится обеспечить объективность.
• Размер массива хранения следует выбирать тщательно.

Сравнение

Примеры

• "Система восстановления Google" . Цель состоит в том, чтобы восстановить объекты или сцены с легкостью, скоростью и шагом в поисковой системе Google - это веб-сайт, содержащий определенные слова.

Рекомендации

1. Гаруман, Кристен. «Распознавание экземпляров объекта», 9 августа 2012 г. Проверено 24 ноября 2014 г.
2. Сивич, Йозеф. "Видео Google Demo", 13 августа 2004 г. Проверено 24 ноября 2014 г.
3. М. А. Фишлер, Р. К. Боллес. Консенсус случайной выборки: парадигма подгонки модели с приложениями к анализу изображений и автоматизированной картографии. Comm. АКМ, Vol 24, pp 381–395, 1981.
4. Сивич, Йозеф. «Отличительные особенности изображения», 5 января 2004 г. Проверено 24 ноября 2014 г.