مقايسه الگوريتم‌هاي تشخيص نقاط ويژه تصاوير در فضاهاي رنگ مختلف به منظور تهيه نقشه سه بعدي درختان

Comparison of feature points detection algorithms in different color spaces in order to create 3D map of trees

عمليات كشاورزي در باغات مانند سم پاشي، آبياري و ... در زمينه كشاورزي دقيق و رباتيك كشاورزي وابستگي زيادي به شكل تاج درخت و ساختار آن دارد. بنابراين داشتن مدل سه بعدي و نقشه عمق درختان مي تواند مفيد باشد. يكي از روش هاي ايجاد مدل سه بعدي، استفاده از روش بينايي استريو است. مهمترين مرحله در اين روش، تعيين نقاط متناظر است. براي انجام اين كار ابتدا بايد نقاط ويژه در هر تصوير شناسايي شوند. الگوريتم هاي مختلفي بدين منظور نوشته شده است. در اين تحقيق شش الگوريتم Harris-Stephens، Minimum eigenvalue، MSER، FAST،SURF و BRISK در فضاها و مولفه هاي RGB، G، HSV، H، YCbCr، Y، NTSC،Lab و a بررسي و مقايسه شد. نتايج نشان داد كه الگوريتم SURF بهترين عملكرد را داشت. نقاط ويژه اي كه اين الگوريتم تشخيص داد در اكثر فضاها ثابت بود كه نشان از پايداري اين الگوريتم در فضاهاي مختلف دارد. بعد از الگوريتم SURF بهترين عملكرد را الگوريتم MSER داشت. اين الگوريتم محصولات درخت را به عنوان نقاط ويژه تشخيص داد. اگر چه تعداد اين نقاط كم است اما درصورتي كه نتوان نقاط گوشه را در دو تصوير با هم مطابقت داد، از اين نقاط مي توان به عنوان نقاط مشترك جهت تطابق استفاده كرد. الگوريتم ها در فضاها و مولفه هاي HSV، H،YCbCr و NTSC بهترين عملكرد را داشتند و در فضاي RGB و Y از نظر تعداد نقاط ويژه تشخيص داده شده پايدارتر عمل كردند.

One method of creating a 3D model is stereo vision. The most important problem in this method is the corresponding points. In this study, 6 algorithms included Harris-Stephens, Minimum eigenvalue, MSER, FAST, SURF and BRISK were compared in RGB, G, HSV, H, YCbCr, Y, NTSC, Lab and a spaces. The results showed that SURF algorithm had the best performance. Detected feature points by this algorithm were fix in most spaces, so this algorithm is stable in different spaces. After SURF algorithm, MSER algorithm had the best performance. This algorithm detected tree crops as feature points. Although the number of these points is low, but if cannot be matched corner points in two images together, these points can be used to match as common points (keypoints). Algorithms had the best performance in the HSV, H, YCbCr and NTSC spaces and they were stable in RGB and Y spaces in terms of the number of detected feature points.