簡易檢索 / 詳目顯示
| 研究生： |
吳家禎 Wu,Chia Chen |
|---|---|
| 論文名稱： |
基於點群排序關係的特徵描述子建構 Feature descriptor based on local intensity order relations of pixel group |
| 指導教授： | 廖文宏 |
| 學位類別： |
碩士
Master |
| 系所名稱： |
理學院 - 資訊科學系 |
| 論文出版年： | 2015 |
| 畢業學年度： | 104 |
| 語文別： | 中文 |
| 論文頁數： | 50 |
| 中文關鍵詞： | 影像特徵描述子 、點群排序關係 、影像比對 |
| 外文關鍵詞： | feature descriptor, local intensity order relations, image recognition |
| 相關次數： | 點閱：49 下載：0 |
| 分享至: |
| 查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報 |
隨著科技的進步以及網際網路的普及，影像資訊的傳遞已經漸漸取代文字的表達，人們對於影像的需求也越來越多元，使得影像處理技術以及影像資訊分析也就越來越重要。然而，影像中其中一項重要的資訊為特徵描述子，強而有力的描述子能使得影像在辨識、分類等應用上有較佳的回饋，描述子的建構方式根據編碼原則分為：基於區域梯度統計、基於點對關係以及基於點群關係。其中，基於點群關係的編碼方式因為點群的選取及排序過程中，可能會產生過多的關係表示方法數，以至於不利於計算，因此過去較少有利用點群關係的編碼方式所建構而成的特徵描述子。
本論文提出描述子建構方式-LIOR，是以點群排序關係為基礎的編碼方式，相較於LIOP方法隨著點群內的點數增加，元素關係數大幅度的成長，造成描述子維度過大，計算時間和空間皆可能需要大量的消耗，而本研究方法足以改善計算維度的問題，重新定義點群關係的排名機制，並以像素值為基準加入權重分配，以區別加權排序之間不同大小差值所造成的影響程度。
實驗結果顯示本研究方法對於不同影像劣化效果的資料集，不僅能提升選取多點為一群的影像比對評估效能，同時也能改善點群內元素關係過多的排名表示法，降低以多點為群集的特徵描述子維度，節省了影像比對的計算時間以及空間，仍可維持整體影像配對之效能。
第一章 緒論 1
1.1研究背景與目的 1
1.2流程架構與方法 2
第二章 相關研究 4
2.1區域影像特徵 4
2.1.1基於區域梯度統計 4
2.1.2基於點對關係 5
2.1.3基於點群關係 7
2.2排名學習機制 (LEARNING TO RANK) 7
2.2.1 Kendall tau 7
2.3 小結 9
第三章 基於點群關係的特徵描述子建構 10
3.1 LOCAL INTENSITY ORDER PATTERN (LIOP) 10
3.2 排名機制 13
3.2.1 LIOR-1：區別像素差距一致性與不一致性 14
3.2.2 LIOR-2：設定門檻值區別像素差距一致性與不一致性之程度 15
3.2.3 維度比較 17
3.3 權重設定 18
第四章 實驗結果與分析 21
4.1 實驗樣本 21
4.2 評估方法 24
4.3 LIOP實驗 24
4.4排名機制與權重設定實驗 28
4.4.1 LIOR-1：區別像素差距一致性與不一致性 28
4.4.2 LIOR-2：設定門檻值區別像素差距一致性與不一致性之程度 31
4.5 實驗結果小結 33
4.6 前處理改善 34
第五章 結論與未來目標 40
參考文獻 42
附錄一 LIOP 44
附錄二 LIOR-1 48
附錄三 LIOR-2 50
[1] WANG, Zhenhua; FAN, Bin; WU, Fuchao. “Local intensity order pattern for feature description.” In: Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011. p. 603-610.
[2] LOWE, David G. Object recognition from local scale-invariant features. In:Computer vision, 1999. The proceedings of the seventh IEEE international conference on. IEEE, 1999. p. 1150-1157.
[3] BAY, Herbert; TUYTELAARS, Tinne; VAN GOOL, Luc. SURF: Speeded up robust features. In: Computer Vision–ECCV 2006. Springer Berlin Heidelberg, 2006. p. 404-417.
[4] TOLA, Engin; LEPETIT, Vincent; FUA, Pascal. DAISY: An efficient dense descriptor applied to wide-baseline stereo. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2010, 32.5: 815-830.
[5] CALONDER, Michael, et al. BRIEF: Binary robust independent elementary features. In: Computer Vision–ECCV 2010. Springer Berlin Heidelberg, 2010. p. 778-792.
[6] LEUTENEGGER, Stefan; CHLI, Margarita; SIEGWART, Roland Yves. BRISK: Binary robust invariant scalable keypoints. In: Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011. p.2548-2555.
[7] RUBLEE, Ethan, et al. ORB: an efficient alternative to SIFT or SURF. In:Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011. p. 2564-2571.
[8] Ojala, Timo, Matti Pietikainen, and Topi Maenpaa. "Multiresolution gray-scale and rotation invariant texture classification with local binary patterns." Pattern Analysis and Machine Intelligence, IEEE Transactions on 24.7 (2002): 971-987.
[9] ALAHI, Alexandre; ORTIZ, Raphael; VANDERGHEYNST, Pierre. FREAK: Fast retina keypoint. In: Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. Ieee, 2012. p. 510-517.
[10] Kendall, Maurice George. "Rank correlation methods." (1948).
[11] Miksik, O., Mikolajczyk, K.: Evaluation of local detectors and descriptors for fast feature matching, In Pattern Recognition (ICPR), 21st International Conference on pp. 2681~2684, 2012.
此全文未授權公開