جستجو در سایت

تماس با ما: 09361509687  ایمیل: royalproje.ir[ at ]gmail.com

Get Started

توصيف گرهاي شيء سه بعدي در پردازش تصویر، كه محبوب ترين هستند،را میتوان به گروه هاي زير دسته بندي كرد:(1)ويژگي هاي سراسري،( 2) توزيع هاي ويژگي سراسري،(3) نقشه هاي فضايي،و( 4)ويژگي هاي محلي.كارهاي اوليه انجام شده  بر روي نمايش شيء سه بعدي و اعمال ان در بازيابي و دسته بندي، بيشتر برروي روش هاي ويژگي سراسري و توزيع ويژگي سراسري متمركز بوده اند. ويژگي هاي سراسري محاسبه شده براي نشان دادن اشياء سه بعدي شامل ناحيه، حجم، و لحظات ميباشند. الد و همكاران22 مشخصه هاي لحظات شيء را محاسبه كردند و از رقم بردار لحظات به عنوان توصيف گر براي ان شكل استفاده كردند.تابع هاي اندازه گيري شده ي شيء شامل زاويه ي بين سه نقطه ي تصادفي(A3)، فاصله ي بين يك نقطه و يك نقطه ي تصادفي(D1)، فاصله ي بين دو نقطه ي تصادفي (D2)، ناحيه ي مثلث بين سه نقطه ي تصادفيD3))، و حجم بين چهار نقطه ي تصادفي بر روي سطح D4)) میياشد.اوبونچي و همكاران96 يك توصيف گر منشوري شكل سه بعدي را معرفي كردند كه توزيع شاخص شكل نقاط را در شبكه ي كلي محاسبه ميكرد.همچنين توزيع هاي مشابهي براي مشخصه هاي ديگر سطح مانند انحنا محاسبه شدند. چند كار اخير استفاده از روش توزيع ويژگي پردازش تصویر را ادامه داده اند.محمودي و همكاران هيستوگرام فاصله هاي انتشار دو به دو بين تمام نقاط را محاسبه كردند، در حالي كه ايوان و همكاران 35، توصيف گرشان را به عنوان هيستوگرام انتقال گريز از مركزتعريف كردند.هيستوگرام از فاصله ي ژئودسيك حداكثر از يك نقطه به تمام نقاط ديگرروي سطح استفاده ميكند.روش هاي ويژگي سراسري از نظر محاسبه اي كارامد هستند، چرا كه انها فضاي محاسبه ي شيء سه بعدي پردازش تصویررا با توصيف شيء با ابعاد كمتر،كاهش ميدهند. هر چند اين روش در زماني كه اشياء تفاوتهاي كوچكي دارند، مانند موارد بازيابي درون گروهي يا طبقه بندي اشياء بسيار مشابه ها به اندازه ي كافي  تمييز دهنده نيستند.

نمايشگرهاي نقشه ي فضايي شيء سه بعدي پردازش تصویر را با تسخير كردن انها و حفظ مكان هاي فيزيكي بر روي انها توصيف ميكنند.سوپ و همكاران[71 يك تابع وسعت كروي را با محاسبه ي وسعت حداثر يك شكل در تمام شعاع هاي منشاء توصيف كردند.انها دو روش مختلف نمايش يك تابع را با هم مقايسه كردند: استفاده از هارمونيك هاي كروي و لحظات.نتايج انها نشان داد كه استفاده از هارمونيك هاي كروي براي نشان دادن تابع، بهتر عمل كرد.ضرايب هارمونيك كروي يك تقريبي از شيء در تحليل هاي مختلف بازسازي ميكند. كژدان و همكاران ]39[ از اين ايده براي نشان دادن اينكه هارمونيك هاي كروي ميتوانند براي انتقال توصيف گرهاي شكل وابسته به چرخش به انتقال گرهايي كه مستقل از چر خش هستند به كار روند بدون نياز به طبيعي كردن اشياء از قبل.نتايج پردازش تصویر نشان داد كه با بكار گيري نمايشگر هارمونيك كروي ،ميتوان عملكرد اكثر توصيف گرهاي تابع كروي را بهبود بخشيد.لاگا و همكاران [43,44]  به طور يكنواخت نقاط را بر روي يك كره ي واحد نمونه گيري كردند و از انتقال موج كره اي براي نمايش دادن اشياء سه بعدي استفاده كردند.توصيف گرهاي موجي كروي گسترش هاي طبيعي لحظات زرينك سه بعدي و هارمونيك هاي سه بعدي هستند.انها محلي كردن ويژگي و تغييرناپذيري چرخش بهتري را پيشنهاد ميدهند چرا كه تحليل هارمونيك هاي كروي در هر قطب كره ويژگي هاي منحصر به فردي دارد. موج ها، تابع هاي اساسي هستند كه يك سيگنال خاص را در تحليل هاي چندگانه نشان ميدهند.لاگا هر دو موج هاي توليد دوم، شامل موج هاي خطي و كروي پروانه اي را با يك ترتيب بالارو موج هاي تصويري با قوانين گسترش كرانه اي كروي براي ساختن پردازش تصویر توصيف گر شكل را توصيف كرد.[73,68].وي سه توصيف گر را بر اساس موج هاي كره اي پيشنهاد داد: استفاده از ضرايب به عنوان بردار هاي ويژگي، استفاده از انرژي L1 ضرايب و استفاده از انرژي L2 ضرايب.ژنبائو و همكاران[51] اناليز موجي چند تحليلي خود را با توصيف گر موجي كره اي مقايسه كردند و نشان دادند كه توصيف گر انها كمي بهتر عمل ميكند. مشخصه ي روش انها جهت گيري شكل شيء با تنظيم 6 صفحه ي نمايي بود و در اين روش جهت گيري شكل از هر يك از صفحات نمايي به عنوان نمونه نشان داده شد.انها سپس اناليز موجي چند تحليلي را بر روي هر يك از صفحات نمايي انجام دادند و از ضرايب موجي براي هر يك از صفحات نمايي به عنوان بردار ويژگي استفاده كردند. اسفلگ و همكاران [5] شكل شيء سه بعدي را با استفاده از نقشه ي انحنايي سطح شيء گرفتند. يكي از روش هاي ايجاد شده در اين پايان نامه كاملا مربوط به اين روش است، هرچند در اين مورد كه از اطلاعات انحنايي به طور مستقيم استفاده نميشود متفاوت است. در اخر تانگلدر و همكاران [80] يك نقشه ي فضايي سه بعدي تهيه كرده اند با تقسيم شيء سه بعدي به يك شبكه ي سه بعدي با حفره هايي با اندازه هاي مساوي و اندازه گيري ويژگي انحنايي در هر حفره.پژوهش هاي اخير بيشتر بر روش محلي براي نشان دان اشياء سه بعدي تمركز كرده اند، چرا كه اين روش در هنگام تمييز قائل شدن بين اشيائي كه در شكل كلي بهم شبيه هستند قدرت تشخيص قويتري دارد.[63]. ويژگي هاي محلي معمولا نقاطي هستند كه در شيء سه بعدي پردازش تصویر مهم و جالب محسوب ميشوند.اين نقاط به روش هاي مختلفي محاسبه ميشوند. بعضي روش ها به طور تصادفي نقاطي را بر روي سطح شيء انتخاب ميكنند. فروم و همكاران[25]  كه يك بافت شكل سه بعدي فراهم كردندو جانسون و همكاران[37] كه توصيف گرهاي تصويري چرخشي طراحي كردند، هر دو به طور تصادفي نقاطي را به عنوان نقاط اصلي شان انتخاب كردند. شيلانه و همكاران[75,76] از نقاط تصادفي با توصيف گرهاي شكلي هارمونيك در 4 مقياس مختلف استفاده كردند.اكثر روش هاي ديگراز ويژگي هاي هندسي محلي شيء سه بعدي مانند انحنا يا ميانه ها براي توصيف نقاط بر روي سطح شيء استفاده كرده اند و extrema  تفاوت سطح را به عنوان نقاط مهم تعريف ميكنند.لي و همكاران [46] از ويژگي هاي متوسط انحنايي همراه با مكانيسم احاطه شده ي مركزي براي شناسايي اكستريم ها به عنوان نقاط مهم نهايي استفاده كردند.روش مشابهي نيز توسط لي و همكاران[47,48] اتخاذ شد.انها نقاط مهم موثق را با در نظر گرفتن مجموعه اي از اكستريم ها براي نمايش مقياس-فضاي يك سطح ورودي نقطه محور پيدا كردند، و از جايگاههاي اكستريم تفاوت سطح به عنوان نقاط ويژگي مهم استفاده كردند.اونيكريشنان و همكاران[83]  يك بردار منطقه اي چند مقياسي ارائه دادند كه تغييرشكل در نقطه ي مرتبط به اندازه ي همسايگي اش را نشان ميداد. در روش انها از اكستريم انحناي متوسط براي شناسايي نقاط مهم استفاده ميشود.واتانابه و همكاران[90] از اكستريم انحناهاي اصلي در خطوط انحناي موجود بر روي سطح استفاده کردند.كاستلاني و همكاران[15]  يك روش جديد براي پيدا كردن و تطبيق نقاط مهم بر اساس اينكه يك راس پس از فيلتر كردن تا چه اندازه نمايش داده ميشود پيشنهاد دادند: نقاط مهم با استفاده از توصيف محلي بر اساس مدل ماركو مخفي توصيف ميشوند.

اوبوچي و همكاران[60] نماهاي چندگانه ي يك مدل سه بعدي را ارائه دادندو با استفاده از الگوريتم SIFT ويژگي هاي محلي هر نما را پيدا كردند.سپس ويژگي هاي محلي با استفاده از يك روش ويژگي هاي bag-of براي بازيابي به يك هيستوگرام تبديل شدند.نوواتناك و همكاران[58] [57] گوشه ها و لبه هاي يك مدل سه بعدي را پيداكردند با پارامتري كردن سطح يك مدل شبكه اي سه بعدي بر روي يك نقشه ي دو بعدي و ساختن يك نقشۀ معمولي سطحي متراكم. انها سپس با تركيب كردن نقشه ي معمولي با هسته هاي Gaussian با انحراف معيار افزايش يابنده  يك مقياس-فضا مجزا ساختند. گوشه ها و لبه هاي كشف شده در مقياس هاي فردي با هم تركيب شدند و تبديل به يك نمايش واحد براي شيء سه بعدي شدند.اكاگاندوز و همكاران[2] از هرم Gaussian  در مقياس هاي مختلف استفاده كردند تا اكستريم هاي سطح را پيدا كنند و نقاط و روابطشان را با يك مدل نمودار نشان دادند.تاتي و همكاران[79] يك توصيف گر شكلي محلي بر اساس ويژگي هاي تغييرناپذيركشف شده از اجزاي فضاي اصلي مجاورت محلي در اطراف يك نقطه ايجاد كردند.نقاط مهم براساس نسبت ويژگي هاي  انتشاري اصلي انتخاب شدند.نمونه هاي ديگر از توصيف گر هاي محلي شامل تصاوير چرخشي[37][4] ، امضاي نقطه [17] ،و امضاهاي سمبوليك [70] ميباشد.تلاش هايي نيز در زمينه ي تركيب كردن ويژگي هاي سراسري و محلي شيء انجام شده است.الوسايمي و همكاران[3] اطلاعات در هيستوگرام دوبعدي را تركیب های تطبيق اشكال مدل هاي گفته شده معرفي كردند.ب كرده و از ضرايبPCAهيستوگرام هاي به هم پيوسته براي ساختن يك بردار ويژگي مجزا استفاده كردند. ليو و همكاران[50,49] يك شكل سه بعدي سراسري را به عنوان پيكر فضايي مجموعه اي از ويژگي هاي محلي ارائه دادند.پيكر فضايي با محاسبه ي توزيع هاي فاصله هاي Euclidean بين جفت هاي دسته هاي شكل محلي، كه با تصاويرچرخشي نشان داده ميشوند، نمايش داده شد.

2.1

اشتراک برای
آپ دیت ودریافت خبرها