Введение 3
Цель 5
Глава 1: Алгоритмы обнаружения особых точек и их дескрипторов 6
1.1 ORB - Oriented FAST and Rotated BRIEF 7
1.2 BRISK - Binary Robust Invariant Scalable Keypoints 9
1.3 AKAZE - Accelerated-KAZE 11
Глава 2: Сравнение изображений 13
2.1 Расстояние между дескрипторами 13
2.2 Алгоритм RANSAC - Random sample consensus 14
2.3 Критерий сходства изображений 15
2.4 Группировка по степени сходства 16
Глава 3: Программная реализация 18
Глава 4: Результаты работы алгоритмов 20
4.1 Тестирование программы 20
4.2 Сравнительный анализ 23
4.2.1 Анализ результатов первой группы 24
4.2.2 Анализ результатов второй группы 26
4.2.3 Анализ результатов третьей группы 27
4.2.4 Контрольное тестирование 28
Выводы 29
Заключение 30
Список литературы 31
Приложение 33
Купить

Уже несколько десятилетий ученые из разных стран занимаются разработкой алгоритмов, позволяющих научить компьютер видеть так же, как видит сам человек. Если для людей получать необходимую информацию посредством зрительного канала является чем-то простым и само собой разумеющимся, то обучить компьютер подобным вещам является и по сей не выполнимой задачей. Множество IT корпораций работают над её решением, но это требует большого вложения человеческого труда, финансовых затрат и вычислительных мощностей.
Но существуют методы, которые позволяют, хоть и при использовании в узконаправленных задачах, получить желаемый результат при меньших затратах. Они основаны не на структуре человеческого аппарата анализа и интерпретации изображений, а непосредственно на особенностях самого изображения. Одни из таких методов основаны на нахождении особых точек и их численного описания, на которые люди даже не обращают внимания. Основываясь только на наборе таких данных цифрового изображения можно с достаточно высокой точностью позволить компьютеру работать с визуальными образами подобно человеку. Вопрос эффективности таких алгоритмов ставится наиболее остро при работе на мобильных устройствах - смартфонах, без которых сложно представить образ современного человека .
С помощью мобильных устройств люди делают тысячи фотографий каждый день, нередко они получаются плохого качества и возникает необходимость делать повторные снимки . Со временем это может привести к засорению памяти из-за накопления большого количества похожих фотографий.
В данной работе сравниваются несколько современных методов поиска особых точек и расчета их дескрипторов, по результатам их применения в классификаторе, объединяющего в группы снимки по степени сходства.
Обзор литературы
Разработкой алгоритмов, обнаруживающих особые точки изображений и описывающие определенные их свойства, занимаются достаточно давно. Внедряются новые подходы для решения проблем скорости работы и качества находимых особенностей. Так же проводятся сравнения между методами по различным критериям.
В [1] рассматривается алгоритм ORB (Oriented FAST and Rotated BRIEF), представляющий из себя комбинацию из модифицированных алгоритмов нахождения особых точек с помощью FAST [4] и последующим определением их особенностей в виде бинарной строки по модифицированному методу BRIEF [5]. Данный подход дает, по результатам их тестирования, значительный выигрыш в скорости при сопоставимой или лучшей точности, чем SIFT (Scale Invariant Feature Transform) [8] и SURF (Speeded Up Robust Features) [9] соответственно.
В работе [2] представлен алгоритм BRISK (Binary Robust Invariant Scalable Keypoints), в котором особые точки обнаруживаются с использованием FAST [4] при линейном изменении масштаба начального изображения. Дескрипторы описываются в бинарном виде по улучшенному алгоритму BRIEF [5]. В сравнительных тестах получена сравнимая с SIFT [8] и SURF [9] точность на различном типе изображений, но при этом скорость работы алгоритма, по их результатам, в разы выше.
В [7] представлен алгоритм A-KAZE, в котором поиск особых точек осуществляется при нелинейном масштабировании изображения с использованием схемы FED (Fast Explicit Diffusion) [8]. В качестве бинарного дескриптора применяется M-LDB (Modified-Local Difference Binary). Результаты работы алгоритма, по данным приведенных исследований, превосходят по всем параметрам ORB, BRISK, SIFT и SURF.
Купить