توصيفگر الگوي باينري محلي مستقل از دوران به‌منظور تناظريابي براي هم ‌مرجع‌سازي تصاوير ماهواره‌اي

توصيف متمايز و كارآمد عوارض تصويري، يك فرآيند اساسي به منظور تناظريابي تصاوير در فتوگرامتري و سنجش‌از‌دور است. بيشتر توصيفگرهاي موجود از يك پارامتر جهت، به‌منظور ايجاد توصيفگر مستقل از دوران استفاده مي‌كنند. فرآيند تعيين جهت، فرآيندي توأم با خطا بوده و از قابليت توصيفگرها مي‌كاهد. در اين پژوهش يك توصيفگر جديد بر مبناي الگوي باينري محلي كه به طور ذاتي مستقل از دوران است با نام توصيفگر الگوي باينري مستقل از دوران (RILBP) ارائه شده ‌است. به‌منظور ايجاد توصيفگر الگوي باينري مستقل از دوران، پيكسل‌هاي درون ناحيۀ تصويري براساس فاصله از مركز و مقدار درجه خاكستري، به تعدادي زير ناحيه تقسيم شده و سپس با استفاده از يك سيستم مختصات قطبي يك هسيتوگرام الگوي باينري محلي مستقل از دوران براي هر زير ناحيه ايجاد مي‌شود كه با اتصال آنها به يكديگر، توصيفگر نهايي ايجاد مي‌شود. به‌منظور افزايش پايداري توصيفگر در برابر تغييرات هندسي، فرآيند وزن‌دهي با استفاده از دو پارارمتر وزن مبتني بر فاصله و تابع گوسي انجام مي‌شود. توصيفگر پيشنهادي بر روي شش جفت تصوير ماهواره‌اي از سنجنده‌هاي مختلف پياده‌سازي شده و نتايج آن با چهار توصيفگر ديگر شامل الگوي باينري محلي مركز متقارن (CS-LBP)، خودشباهتي محلي (LSS)، تبديل ويژگي مستقل از مقياس (SIFT) و هيستوگرام گراديان رتبه مبناي چند ناحيه‌اي (MROGH) مقايسه شده ‌است. بر اساس نتايج آزمايش‌ها عملكرد توصيفگر پيشنهادي براي سه معيار قابليت تناظريابي، دقت تناظريابي و تعداد تناظرهاي صحيح، بهتر از ديگر توصيفگرها بوده و به طور متوسط در مقايسه با توصيفگر استاندارد الگوي باينري محلي براي سه معيار فوق به ترتيب به ميزان 25 درصد، 10 درصد و 30 درصد بهبود را نشان مي‌دهد.

Distinctive and efficient description of image features is an essential task for image registration in photogrammetry and remote sensing. The majority of existing descriptors estimate a dominant orientation parameter for rotation invariant image matching. The dominant orientation assignment is an error-prone process, and it decreases the capability of the descriptors. In this paper, a novel feature descriptor based on the local binary pattern operator named RILBP (Rotation Invariant Local Binary Pattern) is proposed that is inherently rotation invariant. To compute the RILBP descriptor, the pixels in the given image region are divided into several sub-regions based on distance and intensity order constraints. Then, a local binary pattern histogram is generated for each sub-region based on a rotation invariant coordinate system. To increase the descriptor robustness against geometric distortions, a special weighting process based on a combined ring and Gaussian functions is applied. The proposed RILBP descriptor was successfully applied for matching of various remote sensing images as: SPOT 5, ETM+, Sentinel 2, IKONOS, IRS P6 and ZY3 sensors, and the results demonstrate its capability compared to common feature descriptors such as CS-LBP, SIFT, LSS, and MROGH. Compared to the standard CS-LBP descriptor, the RILBP descriptor indicates an average performance improvement of about 25%, 10% and 30%, in terms of Recall, Precision and number of correct matches, respectively.