چکیده:
امروزه مقایسه تصاویر و فضاهای واقعی در جهان واقع، یکیاز پراستفادهترین مسایل روزمره در زندگی نوین میباشد. در توصیف کلی اعتبار سنجی تشابه دو تصویر برای تعیین تساوی آنها هدف غایی همه کاربردهای این مقایسه میباشد. به همین علت دسترسی سریع به نتایج این مقایسه، نکته کلیدی این کاربرد مفید میباشد. در نتیجه مطالعات بر روی این حوزه از پردازش تصویر بصورت چشمگیری توسعه یافته است. یکی از الگوریتمهای تعیین نقاط مشابه در دو تصویر الگوریتم surf می-باشد (Herbert Bay,2008). این الگوریتم با استخراج نقاط کلیدی دو تصویر و توصیف آنها به زبان واحد و درنهایت مقایسه آنها با یکدیگر، کار خود را انجام میدهد.
در این مقاله روشی جهت تشخیص تشابهات دو تصویر بر پایه الگوریتم Surf ارائه شده است. نقاط کلیدی تصاویر با استفاده از Surf کشف شده و توصیف میشوند. سپس در مرحله تعیین نقاط هم ارز بین دو تصویر تغییراتی دادهایم تا Surf بهبود یابد. ما بجای جمعهای مکرر توصیفگرها از روشهای خاصی استفاده کردهایم. همچنین روشهای بهبود عملکرد زمانی این الگوریتم تا امروز را بررسی میکنیم ودرنهایت با ابداع روشی ترکیبی دستیابی به نتیجهی مورد انتظار روش الگوریتم surf را در حالت متوسط 22 درصد بهبود میبخشیم. همچنین روش خود را با آخرین روش بهبود عملکرد الگوریتم surf بنام S. J surf، که ابداع شده توسط یک گروه چینی در سال 2018 بود، مقایسه کردیم (S. J. Chen, 2018). مقایسه ما نشان داد الگوریتم ما در بدترین حالت 8 درصد و در حالت میانه 1 درصد برتری عملکرد زمانی دارد. برتری عملکرد به معنای کاهش زمان اجرا و درنتیجه افزایش سرعت اجرای پردازش میباشد. برای این مقایسهها از نرم افزار متلب و برروی تصاویر واقعی با ابعاد مشخص و از لابراتوار متلب برای مقایسه عملکرد استفاده میکنیم.
خلاصه ماشینی:
این الگوریتم با استخراج نقاط کلیدی دو تصویر و توصیف آنها به زبان واحد و درنهایت مقایسه آنها با یکدیگر، کار خود را انجام میدهد.
الگوریتم Surf در سه مرحله کار خود را انجام میدهد (Herbert Bay,2008) (شکل 1): ــ کشف نقاط کلیدی ــ توصیف نقاط کلیدی به صورت دیجیتال ــ مقایسه نقاط کلیدی توصیف شده از دوتصویر با یکدیگر در مرحله کشف، نقاطی از تصویر که بعنوان نقاط کلیدی تلقی میشوند را پیدا میکنیم.
(همان منبع) به تصویر صفحه مراجعه شود شكل1 – مراحل انجام یک مقایسه از یک نقطه کلیدی بین دو تصویر در Surf الگوریتم پیشنهادی در الگوریتمی که ما ارائه دادهایم ابتدا نقاط کلیدی تصاویر را بر پایه الگوریتم Surf کشف کرده و سپس آنها را به شکل مناسبی توصیف میکنیم و در نهایت نقاط کلیدی بین دوتصویر را با یکدیگر مقایسه کرده تا نقاط مشابه را پیدا کنیم.
(همان منبع) در الگوریتم Surf در مرحله آخر یعنی مقایسه نقاط کلیدی از دو تصویر، مقادیر توصیفگرهای یک نقطه کلیدی را که به طول 64 خانه حافظه بود از نقاط متناظر از تصویر دوم تفریق کرده و سپس نتایج را با یکدیگر جمع کنیم تا بتوانیم نزدیکترین مقادیر را برای matching بکار بریم.
J. Chen, 2018) به تصویر صفحه مراجعه شود شکل 7: مراحل انجام الگوریتم SJ در روش آنها ابتدا از کلاسبندی رنگ ها جهت افزایش کشف تعداد نقاط کلیدی استفاده میشود و سپس با استفاده از روشی در حذف نقاط کلیدی غیر لازم تلاش میکند.