वर्तमान में 2 डी पॉइंट-मिलान के लिए "सर्वश्रेष्ठ" एल्गोरिदम क्या माना जाता है?

Question

मेरे पास दो सूचियां हैं जिनमें एक्स-वाई निर्देशांक (सितारों) हैं। मैं प्रत्येक स्टार से जुड़ी परिमाण (चमक) भी कर सकता था। अब प्रत्येक स्टार में यादृच्छिक स्थिति जिगल्स होते हैं और प्रत्येक छवि में कुछ अतिरिक्त या अनुपलब्ध अंक हो सकते हैं। मेरा सवाल है, "इस तरह के डेटासेट के लिए सबसे अच्छा 2 डी पॉइंट मिलान एल्गोरिदम क्या है?" मुझे लगता है कि दोनों एक साधारण रैखिक (अनुवाद, रोटेशन, स्केल) और गैर-रैखिक (कहते हैं, निर्देशांक में एन-डिग्री बहुपद) कहते हैं। बिंदु मिलान क्षेत्र के लिंगो में, मैं एल्गोरिदम की तलाश में हूं जो शोर और नकली बिंदुओं के साथ 2 डी बिंदु मिलान कार्यक्रमों के बीच शूटआउट में जीतेंगे। लेबलिंग जानकारी का उपयोग किया जाता है (परिमाण) और/या परिवर्तन रैखिक होने के लिए प्रतिबंधित है, इसके आधार पर एक अलग "विजेता" हो सकता है।

मुझे पता है कि प्रत्येक कक्षा में 2 डी पॉइंट मिलान एल्गोरिदम और कई एल्गोरिदम के कई वर्ग हैं (शाब्दिक रूप से शायद कुल मिलाकर सैकड़ों) लेकिन मुझे नहीं पता कि कौन सा, यदि कोई है, तो "सर्वश्रेष्ठ" या विचार पर विचार किया जाता है कंप्यूटर दृष्टि के क्षेत्र में लोगों द्वारा "सबसे मानक"। अफसोस की बात है कि, जिन कागजात को मैं पढ़ना चाहता हूं, उनमें से कई लेख ऑनलाइन संस्करण नहीं हैं और मैं केवल सार को पढ़ सकता हूं। लागू करने के लिए एक विशेष एल्गोरिदम पर बसने से पहले गेहूं को चावल से अलग करने के लिए कुछ विशेषज्ञों से सुनना अच्छा होगा।

मेरे पास एक कामकाजी मिलान प्रोग्राम है जो त्रिकोण का उपयोग करता है लेकिन यह कुछ हद तक (~ 5% समय) विफल रहता है जैसे कि समाधान परिवर्तन में स्पष्ट विकृतियां होती हैं लेकिन किसी स्पष्ट कारण के लिए नहीं। यह कार्यक्रम मेरे द्वारा नहीं लिखा गया था और लगभग 20 साल पहले लिखा गया एक पेपर से है। मैं एक नया कार्यान्वयन लिखना चाहता हूं जो सबसे मजबूत प्रदर्शन करता है। मैं मान रहा हूं (उम्मीद कर रहा हूं) कि इस क्षेत्र में कुछ प्रगति हुई है जो इस व्यावहारिक बनाती है।

Answer 1

मैंने कुछ समय पहले टीवी पर एक कार्यक्रम देखा था कि कैसे शोधकर्ता व्हेल की तस्वीरें ले रहे थे और प्रत्येक व्हेल को आईडी करने के लिए उन पर स्पॉट (जो प्रत्येक व्हेल के लिए अद्वितीय हैं) का उपयोग कर रहे थे। यह धब्बे के बीच कोणों का इस्तेमाल किया। कोणों का उपयोग करके इससे कोई फर्क नहीं पड़ता कि छवि घुमाया गया था या स्केल या अनुवाद किया गया था। ऐसा लगता है कि आप अपने त्रिकोणों के साथ क्या कर रहे हैं।

Answer 2

मुझे लगता है कि "सर्वश्रेष्ठ" (सबसे तकनीकी) तरीका मूल छवि के फूरियर ट्रांसफॉर्म और नई रैखिक रूप से संशोधित छवि को लेना होगा। कुछ सरल फ़िल्टरिंग करके, पुराने व्यक्ति के संबंध में आपकी छवि के अभिविन्यास और स्केल को समझना आसान होना चाहिए। 2 डी फूरियर ट्रांसफॉर्म here का विवरण है।

Answer 3

इसके लिए कोई भी "सर्वश्रेष्ठ" एल्गोरिदम नहीं है। कई अलग-अलग तकनीकें हैं, और प्रत्येक विशिष्ट डेटासेट और डेटा के प्रकारों पर दूसरों की तुलना में बेहतर काम करती है।

एक चीज जो मैं अनुशंसा करता हूं this introduction to image registrationInsight Toolkit. के ट्यूटोरियल से पढ़ना है आईटीके कई प्रकार के छवि पंजीकरण का समर्थन करता है (जो आपको लगता है जैसे यह लगता है), और कई मामलों में बहुत मजबूत है। उनके अधिकांश उपयोगकर्ता चिकित्सा क्षेत्र में हैं, इसलिए आपको बहुत से मेडिकल शब्दकोष से गुजरना होगा, लेकिन एल्गोरिदम और कोड किसी भी प्रकार की छवि (1,2,3, और एन आयामी छवियों सहित) के साथ काम करेंगे प्रकार, आदि)।

Answer 4

आप अपने एल्गोरिदम को केवल एन चमकदार सितारों पर लागू करने पर विचार कर सकते हैं, फिर परिणामों को परिष्कृत करने के लिए प्रगतिशील रूप से दूसरों को शामिल कर सकते हैं, एक ही समय में खोज सीमा को कम कर सकते हैं।

अतिरिक्त अंक तक मजबूती के लिए RANSAC का उपयोग करना भी बहुत आम है।

Answer 5

यदि आप स्टार मिलान में रुचि रखते हैं, तो Astrometry.net blind astrometry solver और paper on it here देखें। वे रात के आकाश की फ़्लिकर चित्रों में स्टार कॉन्फ़िगरेशन को हल करने के लिए चार बिंदु क्वाड का उपयोग करते हैं। this interview देखें।

Answer 6

मुझे यकीन है कि यह काम करेगा, लेकिन एक कोशिश के लायक नहीं हूँ:

प्रत्येक स्टार को बदलने चक्र समय रे फूरियर करते के लिए - यह आसपास केंद्रित - अन्य सभी सितारों में से (ध्यान दें: यह नहीं मानक है फूरियर ट्रांसफॉर्म, जो लाइन टाइम लाइन है)। सर्कल टाइम्स किरण का चरण स्थान पूर्णांक समय रेखा है, लेकिन चूंकि हमारे पास केवल सटीक सटीकता है, इसलिए आपको बस एक मैट्रिक्स मिलता है; मैट्रिक्स के आयाम सटीकता पर निर्भर करते हैं। अब matrices को एक दूसरे से जोड़ने की कोशिश करें (उदा। L_2 मानदंड का उपयोग करके)