امین صداقت

با گسترش تکنولوژی لیزر اسکنر و لایدار و در نظر گرفتن برتری های این تکنولوژی و اخذ داده های مکانی محیط و اشیاء، استفاده از این فناوری روز به روز بیش تر شده است. این تکنولوژی توانایی استخراج نقاط از سطوح خارجی محیط و اشیاء در حجم بالا و در مدت زمان کوتاه را داشته که با توجه به امکان جا به جایی آسان لیزر اسکنر ها، ابر نقاط مربوط به محیط و اشیا معمولاً از زوایای متفاوتی اخذ می شوند که هر کدام در یک سیستم مختصات متفاوت قرار دارند و همگی باید به یک سیستم مختصات واحد منتقل شوند. به این منظور ابتدا باید جفت نقاط متناظر در هر مجموعه ابر نقاط معین شوند و سپس با استفاده از فرآیندی نقاط متناظر روی هم بیافتند تا مدل سه بعدی از طریق مجموعه های ابرنقاط ایجاد شود. یافتن مناسب ترین جفت نقاط متناظر در مجموعه های ابر نقاط از مهم ترین و چالش بر انگیزترین مراحل بازسازی سه بعدی مدل های مورد نظر محیط و اشیاء است. توصیفگر های سه بعدی از جمله ابزار های مناسب برای تعیین جفت نقاط متناظر در مجموعه های ابر نقاط هستند. این توصیفگر ها برای هر نقطه ی منفرد در ابر نقاط، مجموعه ای از اطلاعات را به منظور کمک به تعیین نقاط مشابه در هر مجموعه ابرنقاط می سازد. تعریف یک توصیفگر سه بعدی که از پیچیدگی محاسباتی کم و قدرت توصیفگری بالایی برخوردار باشد، می تواند به یافتن جفت نقاط متناظر صحیح و در ادامه مدل سازی سه بعدی مجموعه های ابرنقاط کمک شایانی کند. در این پژوهش یک توصیفگر سه بعدی هندسی-مکانی پیشنهاد داده شده است که از هر دو ویژگی هندسی و مکانی به صورت توأم استفاده می کند. با توجه به آزمایش های انجام شده بر روی دو دسته مجموعه داده با ساختارهای متفاوت، توصیفگر سه بعدی پیشنهادی در مقایسه با توصیفگر هایی که تنها از یک ویژگی مکانی یا هندسی استفاده می کنند، قدرت توصیفگری بالاتری دارد.

توصیفگرها توزیع درجات خاکستری تصویر را در ناحیه اطراف عوارض توصیف می کنند و در تعیین مطابقت آنها، در کاربردهای گوناگونی همچون مرتبط سازی تصویر و تولید مدل سه بعدی در فتوگرامتری و سنجش از دور، نقش اساسی دارند. روش های گوناگونی برای ایجاد توصیفگر ارائه شده که ویژگی ها و کاربردهای متفاوتی دارند. شناخت ویژگی های الگوریتم ها و چگونگی عملکرد آنها در شرایط گوناگون نیازی اساسی برای استفاده 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 ماهواره ای اپتیکی با تنوع گسترده ای از اعوجاجات شامل اختلاف مقیاس، دوران، روشنایی و تغییر منظر مورد ارزیابی قرار می گیرد. هشتاد جفت تصویر ماهواره ای در سه دسته گوناگون شامل شبیه سازی شده، چندزمانه و چندسنسوری انتخاب می شود و نتایج با استفاده از چهار معیار اساسی Recall، Precision، دقت هندسی و کارآیی مقایسه می شود. الگوریتمی که در همه حالت ها و برای همه تصاویر بهتر از دیگر الگوریتم ها باشد، وجود ندارد اما به طور میانگین، توصیفگر های DAISY و SIFT بهترین عملکرد، و الگوریتم های SI و SC نیز بدترین نتایج را در تصاویر ماهواره ای دارند.

الگوریتم (Scale Invariant Feature Transform) SIFT یکی از روش های تناظریابی عارضه مبناست که به منظور انجام فرآیند تشخیص الگو در تصاویر اپتیکی ارائه شده است. با اینکه عملکرد بهتر توصیفگر این الگوریتم در مقایسه با دیگر روش ها اثبات شده و نسخه های گوناگونی نیز در مسیر افزایش کارایی آن ارائه شده است، اما عملگر استخراج عارضه در این الگوریتم با مشکلات جدی برای انجام تناظریابی در تصاویر سنجش از دور مواجه است. کنترل پذیری این الگوریتم در استخراج عوارض در تصاویر سنجش از دور پایین است و در آن راه حلی نیز برای انتخاب عوارض پایدارتر و متمایزتر و کنترل توزیع آنها، به منظور موفقیت در فرآیند تناظریابی، پیشنهاد نشده است. در مقاله حاضر با بهره گیری از خصوصیات فضای مقیاس در این الگوریتم روشی جدید با عنوان UR-SIFT (Uniform Robust Scale Invariant Feature Transform) به منظور استخراج عوارض پایدار تصاویر و در توزیع یکنواختی از مکان و مقیاس طراحی شده است. برای این منظور با توسعه روابطی جدید برمبنای ضریب مقیاس سطوح هرم تصاویر در الگوریتم SIFT، تعداد عوارض مورد نیاز در هر سطح تعیین گردیده و با بهره گیری از دو معیار پایداری و تمایز و در ساختاری شبکه ای استخراج شده است. بعد از استخراج عوارض و ایجاد توصیفگر آنها، فرآیند تناظریابی اولیه با استفاده از فاصله اقلیدسی میان توصیفگرها و با بهره گیری از روشی دوجانبه انجام می شود. در ادامه با استفاده از مدل تبدیل پروژکتیو و روش کمترین مربعات، صحت جفت تناظرهای اولیه بررسی شده و تناظرهای ناسازگار حذف شده اند. نتایج عملی بر روی دو جفت تصویر ماهواره ای بیانگر کارایی بالای روش پیشنهادی در مقایسه با الگوریتم استاندارد SIFT است.