موزاييك تصاوير طبيعي براساس حذف نقاط كليدي زائد در الگوريتم SIFT و الگوريتم RANSAC تطبيقي

موزاييك تصوير به تركيب دو يا چند تصوير كه داراي قسمت هاي همپوشان مي باشند، به تصويري بزرگ‌تر و جامع تر اطلاق مي شود. تبديل ويژگيِ مقياس نابسته (SIFT) يكي از متداول ترينِ شناساگرها است كه قبلاً در موزاييك تصوير مورداستفاده قرارگرفته است. از ايرادات الگوريتمSIFT كلاسيك تعداد زياد نقاط كليدي تكراري و زمان اجراي بالاي آن به دليل ابعاد بالاي توصيفگر SIFT كلاسيك مي باشد، كه باعث كاهش كارايي اين الگوريتم مي شود. در اين مقاله، براي بالا بردن كيفيت موزاييك تصوير، از الگوريتم RKEMSIFT كه نسخه بهبوديافته ي SIFT مي باشد جهت شناسايي نقاط كليدي استفاده‌شده است. سپس، براي بهبود سرعت الگوريتم از توصيفگر ۶۴بعدي SIFT استفاده‌شده است. پنجره ي كوچك‌تر اين توصيفگر نسبت به توصيفگر ۱۲۸بعدي SIFT باعث مي‌شود دقّت تطبيق افزايش و زمان اجرا كاهش پيدا كند. در ادامه، براي حذف تطبيق هاي نادرست، از الگوريتم اجتماع نمونه تصادفي (RANSAC) استفاده‌شده كه مقدار آستانه پيشنهادي آن به‌صورت وفقي بر اساس ميانه فواصل بين نقاط تطبيق و مدل تطبيق آن ها محاسبه‌شده است. براي هر نقطه تطبيق اگر فاصله بين آن نقطه و تطبيق يافته‌ي آن بر اساس مدل از مقدار آستانه پيشنهادي كمتر باشد، نقطه تطبيق درست تشخيص داده شده و حفظ مي شود و در غير اين صورت تطبيق نادرست تشخيص داده‌شده و حذف مي شود. درنهايت روش جديدي نيز در اين مقاله جهت تركيب تصوير پيشنهادشده است. روش پيشنهادي تركيب تصوير بر اساس تابع وزني گوسي مي باشد كه ميانگين اين تابع گوسي به‌صورت ميانگين داده هاي محدوده ي مشترك و همپوشان دو تصوير، در نظر گرفته شده است. در قسمت آزمايش ها، روش پيشنهادي موزاييك تصاوير طبيعي كه شامل استفاده از الگوريتم RKEMSIFT، RANSAC وفقي پيشنهادي و الگوريتم تركيب تصوير پيشنهادي است بر روي پايگاه هاي تصاوير استاندارد و همين‌طور پايگاه تصاوير ايجادشده پياده سازي شده و با روش هاي SURF و تطبيق دوطرفه سريع، SURFLM و SIFTRANSAC مورد مقايسه قرارگرفته است. نتايج آزمايش ها حاكي از برتري روش پيشنهادي با توجه به معيارهاي خطاي ميانگين مربعي و دقّت دارد كه نسبت به بهترين روش مقايسه شده (SURF و تطبيق دوطرفه سريع) كاهش ۶.۷ ٪ بيشينه خطا، ۳۰.۰۹ ٪ ريشه ميانگين مربعات خطا و ۳۷.۶۸ ٪ ميانه خطا را باعث شده است.