تناظريابي اتوماتيك تصاوير همگرا در فتوگرامتري برد كوتاه

Automatic Matching in Convergent Close Range Image

تناظريابی دو يا چند تصوير، يك فرآيند اساسی در فتوگرامتری رقومی است. تناظريابی كاملاً اتوماتيك تصاوير همگرا به دليل اعوجاجات هندسی قابل‌توجه در آنها، بسيار دشوار بوده و اكثر الگوريتم‌ها در حذف تناظرهای اشتباه احتمالی در اين تصاوير با اشكال روبرو می‌شوند. در اين مقاله روشی كارآمد جهت تناظريابی تصاوير همگرا در فتوگرامتری برد كوتاه ارائه شده‌است. روش پيشنهادی از سه مرحله اصلی تشكيل شده‌است. در مرحله اول از الگوريتم كارآمد ASIFT (Affine-SIFT)، جهت استخراج و تناظريابی اوليه ميان تصاوير استفاده می‌شود. در مرحله‌ی دوم با بهره‌گيری از الگوريتم ژنتيك در برآورد قيد هندسی اپی‌پولار، اغلب تناظرهای اشتباه ميان تصاوير حذف می‌شوند. با توجه به نقص قيد هندسی اپی‌پولار در حذف تمامی اشتباهات، در روش پيشنهادی در مرحله سوم از يك روش كارآمد جهت حذف اشتباهات محدود باقيمانده‌ از مرحله قبل استفاده می‌شود. در اين روش فرآيند خوشه‌بندی ميان عوارض مستخرج از مرحله قبل با استفاده از الگوريتم K-Means، انجام شده و با بهره‌گيری از قيد هندسی افاين به صورت محلی، ديگر تناظرهای اشتباه ممكن ميان تصاوير حذف می‌شوند. نتايج آزمايشات بر روی چند دسته‌ی مختلف از تصاوير بردكوتاه بيانگر عملكرد قابل‌توجه روش پيشنهادی می‌باشد به طوری كه روش پيشنهادی امكان حذف اشتباهات تناظريابی در مواردی كه تعداد آنها 50 برابر تعداد تناظرهای صحيح می‌باشد را نيز داراست.

Image matching is an essential task in digital photogrammetry. The fully aoutomatic matching of convergent close range image is a difficult task due to possible significant geometric distortions in these images. In this paper an efficient and fully aoutomatic matching method for convergent close range images is presented. The proposed method consists of three main steps. In first, the initial feature extraction and matching is performed using ASIFT (Affine-SIFT) algorithm. In the second step the epipolar geometry based on fundamental matrix is estimated using genetic algoritm to eliminate most of outliers in initial match features. Due to the defect of epipolar geometry to remove all outliers, in third step of proposed method a new approach to remove reminding outlier from previous step is proposed. In this method cluetering process is performed by k-Means algorithm and followed by a consistency check in the local affine transformation model for each cluster. The experiment results using both synthetic data and various sets of convergent close-range images show that the proposed algorithm provides reliabile and acuurate matching.