تناظريابي و تطبيق
تطبیق در پردازش تصویر به چه معناست؟
اجازه بدهید با یک مثال تطبیق یا matching را بهتون توضیح بدهم:
دو تصویر از یک صحنه داریم که تفاوتشان تنها تغییر مکان (جابجایی خطی) محدود دوربین تصویر برداری است اگر بخواهیم عمق قسمت های خاصی را بیابیم باید نقاط متناظر آن نقاط از دو تصویر را شناسایی کنیم. حالا روشهایی که بتوانند این تناظر نقطه به نقطه را برقرار کنند؛ روشهای تطبیق نقطه ای نامیده میشوند
اجازه بدهید یک مثال دیگر با هم داشته باشیم: فرض کنید میخواهیم وجود یک جسم مشخص را در یک تصویر بررسی یا آن را شناسایی کنیم؛ مثلاً وجود دوربین عکاسی را در تصویر بالا.
بنابراین در گام اول باید به نحوی یک سری اطلاعات اولیه از تصویر دوربین عکاسی به دست آوریم و با استفاده از آن اطلاعات، در تصویر اصلی، مکان دوربین(های) عکاسی را بیابیم. برای این کار نیاز به استخراج ويژگي از هر دو تصوير داریم
ميتوان به روش هاي مختلفي -که در این جا با برخی آشنا میشویم- از دو تصوير ويژگيهايي استخراج کرد و با استفاده از آن ويژگي ها قسمتهاي متناظر با تصویر برش یافته دوربین عکاسی را از تصویر شناسايي کرد.
تطبیق یا تناظریابی در پردازش تصویر و بینایی ماشین بسیار پرکاربرد است که به اهداف متنوعی مانند ثبت یا Registration انجام میشود. این نکته را هم بگم که اگر تغییرات بین دو تصویر (تصویر جسم و تصویر اصلی) کم باشند؛ میتوان از روشهای ساده تر مانند تطبیق الگو یا Template matching جسم مورد نظر را در تصویر اصلی شناسایی کرد.
روش SIFT
روش سیف یا SIFT که مخفف عبارت Scale Invariant Feature Transform است با استفاده از الگوریتمهای جالبی به استخراج ویژگی های مهم تصاویر ورودی میپردازد و در نهایت تطبیق های درست را به همراه لیستی از ویژگیها در اختیار کاربران قرار میدهد. یکی از امتیازات این روش توانمندی آن در یافتن تغییرات مقیاس است یعنی میتواند جسم یا صحنه ای را که ابعادش تغییر کرده است در دو تصویر شناسایی و تناظریابی نماید
ویژگی دیگر این روش این است که قادر است که از پس چرخش های اجسام و صحنه ها برآید و از این رو از محبوبترین و معروفترین روشهای تناظریابی نقطه به نقطه محسوب میشود.
بنابراین هر روش تطبیقی که نسبت به عوامل زیر مقاومتر باشد؛ دامنه کاربرد آن روش بیشتر میشود: مقیاس، چرخش، تغییر زاویه دید دوربین، نورپردازی و انواع اعوجاج‌ها مانند شعاعی(radial) و هندسی(perspective). در ویدئوی زیر پنج تصویر هوایی زیبا و مختلف در نظر گرفته شد و از هر تصویر سه ناحیه کوچک انتخاب شده است و به روش سیفت SIFT ارائه شدند و چند نقطه متناظر به دست آمدند. در نهایت برای تفکیک بهتر این نقاط تطبیق با خطوط رنگی مختلف به هم متصل شده‌اند. نکته دیگر اینکه برخی از تطبیقها نادرست هستند که امری طبیعی در تناظریابی خودکار است.
حذف تطبيق هاي نادرست
میتوان با استفاده از یک سری روشها یا محدودیتها، تطبیق های نادرست را شناسایی و حذف کرد. وقتی تعداد تطبیق ها بسیار زیاد هستند حتما باید شناسایی تطبیق ها به صورت خودکار انجام شود. وقتی تعداد تطبیق ها خیلی هم کم باشد باید حذف دستی را از ذهن خارج کنیم؛ زیرا این یک قاعده کلی است که روشهای دستی در هوش مصنوعی جایگاهی ندارند!
یکی از این روشهای خودکار حذف تطبیق های نادرست روش رانساک است. رانساک RANSAC مخفف عبارت RANdom SAmple Consensus است. در یادگیری ماشین الگوریتم رانساک یک روش تکراری برای تخمین پارامترهای یک مدل ریاضی بر اساس یک سری داده موجود است که درصد کمی از این داده ها پرت هستند. در پردازش تصویر طی این روش با استفاده از برخی از تطبیقها چندین مدل تهیه میشوند و این مدلهای در معرض رای گیری قرار داده میشوند. رای دهندگان این رای گیریها انتخابهای تصادفی از تطبیق ها هستند. در نهایت تلاش می شود با محاسبه خطا مدل بهتری تهیه شود.
در روش دیگر با استفاده از محدودیت های اپیپولار تطبیق های نادرست شناسایی و حذف میشوند. کاربرد این روش در عمق سنجی و بینایی استریو است.