Метод WLSF для построения дескрипторов окрестностей ключевых точек изображений
Аннотация
Предлагается метод построения признакового описания окрестностей ключевых точек изображения на основе анализа ориентаций векторов градиента изображения с помощью метода наименьших взвешенных квадратов (метод WLSF). Показано, что для широкого класса изображений две модификации предлагаемого подхода могут быть с успехом применены для решения задачи сопоставления ключевых точек. Показано преимущество метода WLSF перед методом SURF при анализе зашумленных изображений.
- сопоставление ключевых точек
- Feature Point Matching
- метод наименьших взвешенных квадратов
- ортогональное преобразование
- признаковое пространство
Abstract (in English)
Feature description build-up method for feature points neighborhoods based on image gradient vectors orientation analysis by weighted least squares (WLSF-method) is proposed. It is shown, that two modifications of this approach can be successfully applied for the task of feature points matching for a large class of images. The advantage of the WLSF-method over SURF-method in the case of noisy image analysis is shown.
Для цитирования
Пиманкин Д.А. Метод WLSF для построения дескрипторов окрестностей ключевых точек изображений // Журнал радиоэлектроники. – 2012. – № 11.
Литература
- Пиманкин Д. А. Построение признакового описания изображения на основе анализа распределения ориентаций векторов градиента. // Информационные системы и технологии-2012: Тезисы докл. - Нижний Новгород, 2012.
- Bay, H., Tuytelaars, T., and Van Gool, L. (2006). SURF: Speeded up robust features. In Ninth European Conference on Computer Vision (ECCV 2006), pp. 404-417.
- Berchtold S., Keim, D. A., and Kriegel H.-P. (1996) The X-Tree: An Index Structure for High-Dimensional Data. Proceedings of the 22nd International Conference on Very Large Data Bases (VLDB), Bombay, India: 28-39.
- Ciaccia, P., Patella, M., and Zezula, P. (1997). M-tree An Efficient Access Method for Similarity Search in Metric Spaces. Proceedings of the 23rd VLDB Conference Athens, Greece. pp. 426-435.
- Ke, Y., and Sukthankar, R. (2004). PCA-SIFT: a more distinctive representation for local image descriptors. In IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’2004), pp. 506-513, Washington, DC.
- Lowe, D. G. (1999). Object recognition from local scale-invariant features. In Seventh International Conference on Computer Vision (ICCV’99), pp. 1150-1157, Kerkyra, Greece.
- Lowe, D. G. (2004). Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision, 60(2):91-110.
- Mikolajczyk, K. and Schmid, C. (2005). A performance evaluation of local descriptors. IEEE Transactions on Pattern Analysis and Machine Intelligence, 27(10):1615-1630.