Статья:

Сравнение методов и алгоритмов обработки и анализа изображений

Конференция: CVII Студенческая международная научно-практическая конференция «Молодежный научный форум»

Секция: Технические науки

Выходные данные
Кузнецов А.И. Сравнение методов и алгоритмов обработки и анализа изображений // Молодежный научный форум: электр. сб. ст. по мат. CVII междунар. студ. науч.-практ. конф. № 38(107). URL: https://nauchforum.ru/archive/MNF_interdisciplinarity/38(107).pdf (дата обращения: 27.02.2024)
Лауреаты определены. Конференция завершена
Эта статья набрала 0 голосов
Мне нравится
Дипломы
лауреатов
Сертификаты
участников
Дипломы
лауреатов
Сертификаты
участников
на печатьскачать .pdfподелиться

Сравнение методов и алгоритмов обработки и анализа изображений

Кузнецов Андрей Игоревич
магистрант, Рязанский государственный радиотехнический университет имени В.Ф. Уткина, РФ, г. Рязань

 

Аннотация. В данной статье проводится сравнение метода BRISK, который используются для нахождения особых точек на изображении. Так же для проверки эффективности данного метода было произведено сравнение с методами FAST, SURF, ORB.Сравнение производилось в среде MATLAB.

Методы поиска особых точек являются важной технологией обработки изображений и широко применяется для медицины, распознавания образов, дистанционного зондирования и компьютерного зрения.

 

Экспериментальные исследования

Целью экспериментальных исследований являлся сравнение метода BRISK с методами SURF, FAST, ORB. Сравниваться эти методы будут по быстродействию, устойчивости к повороту, смещению, среднеквадратическому отклонению.

Что бы узнать устойчивы методы к повороту или смещению, мы исследуем изменения элементов матрицы геометрических преобразований, которая формируется при сопоставлении точек двух изображений. Матрица размерностью 3х2  имеет вид:

                                                                                                            (3)

где  f - угол поворота изображения вокруг начальной точки, Dx, Dy- смещение по соответствующим осям.

Среднеквадратическая отклонение - дает возможность оценить разброс значений, полученных в результате измерения какого-то параметра. Обозначается символом S.

Среднеквадратическое отклонение находится по формуле:

                                                                                                               (4)

где - среднее арифметическое значение результатов n измерений, который вычисляется по формуле:

                                                                                                                 (5)

где - сумма результатов измерения, а n- число измерений.

Построим график зависимости ошибки угла поворота при методах BRISK, SURF, FAST, ORB представленном на рисунке 1 и рассчитаем среднеквадратическое отклонение (Таблица 1).

Таблица 1.

Среднеквадратическое отклонение при повороте изображения

Методы

BRISK

SURF

FAST

ORB

Среднеквадратическое отклонение(S)

0.0293

0.0949

0.0493

0.2422

 

Рисунок 1. Ошибка оценки поворота

 

Далее исследуем реакцию алгоритмов на смещение двух изображений. График реакции двух методов изображён на рисунке 18 с шагом 20 пикселей. Среднеквадратическое отклонение методов показана в таблице 2.

Таблица 2.

Среднеквадратическое отклонение при смещении изображения

Методы

BRISK

SURF

FAST

ORB

Среднеквадратическое отклонение(S)

0.1096

0.1129

0.9844

0.1760

 

Рисунок 2. Ошибка оценки при смещении

 

Далее проведем исследование быстродействия данных методов. Замерим время выполнения этих двух методов при смещении. Результаты показаны на рисунке 3.

 

Рисунок 3. Время выполнения алгоритмов при смещении

 

Таким образом, по графикам можно понять, что все методы инвариантны к сдвигу и повороту изображения, что говорит о том что их можно использовать при различный геометрических преобразованиях, таких как смещение или поворот. Но при этом среднеквадратическая ошибка BRISK меньше, а быстродействие больше чем у других методов, что говорит о его большей эффективности при обработке изображений.

 

Список литературы:
1. E. Rosten and T. Drummond, “Machine learning for high speed corner detection,” in 9th Euproean Conference on Computer Vision, vol. 1, 2006, pp. 430–443.
2. Michael Calonder, Vincent Lepetit, Christoph Strecha, and Pascal Fua: “BRIEF: Binary Robust Independent Elementary Features”, CVLab, EPFL, Lausanne, Switzerland, 2013
3. Stefan Leutenegger, Margarita Chli, Roland Siegwart: “BRISK: Binary Robust Invariant Scalable Keypoints”. Computer Vision (ICCV), pp. 2548 – 2555, 2011. 
4. Herbert Bay, Tinne Tuytelaars, Luc Van Gool - SURF: Speeded Up Robust Features, Willow Garage, Menlo Park, California, 2006.