МЕТОДИКА И ЧАСТНЫЕ РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ КАЧЕСТВА ПОИСКА КЛЮЧЕВЫХ ТОЧЕК ПО МАТЕРИАЛАМ ОПТИКО-ЭЛЕКТРОННОЙ АЭРОСЪЕМКИ

Алтухов А.И., Билан В.И., Григорьев А.Н., Попович В.В. Методика и частные результаты исследования качества поиска ключевых точек по материалам оптико-электронной аэросъемки // Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20. № 5. С. 649–660. doi: 10.17586/2226-1494-2020-20-5-649-660

Предмет исследования. Представлены результаты исследования метода поиска ключевых точек, выполненного на примере метода Scale-Invariant Feature Transform, для использования при решении задач фотограмметрической обработки снимков местности, получаемых с воздушных и космических носителей. Метод. Выбранный метод широко используется для решения задач пространственной привязки изображений, отслеживания изменений и поиска объектов, построения цифровых моделей и ортофотопланов местности. Актуальность анализа метода обусловлена тем, что он изначально разрабатывался как универсальный метод для обработки изображений в области технического зрения. Существующие модификации рассматриваемого метода, специализированные под обработку снимков местности, применяются на практике ограниченно и исследованы без полного учета свойств изображений. В существующих исследованиях не учтено влияние изображенного сюжета на качество поиска ключевых точек, который в общем случае характеризуется случайным сочетанием изображений объектов местности. Предполагается, что особенности сюжета на изображении местности при использовании метода поиска ключевых точек могут обуславливать существенные вариации в распределении выбираемых точек по изображению отдельного снимка. Для определения зависимости качества поиска ключевых точек от изображенного сюжета необходима разработка методики, основанной на анализе особенностей реализации метода и использовании набора эталонных изображений с разным сюжетным составом. В результате анализа содержания данного метода определены критерии и параметры отбраковки определяемых ключевых точек. В основе подхода к анализу влияния сюжета изображения на качество ключевых точек предложено использовать набор снимков, классифицированных по особенностям сюжетов на однородные и неоднородные изображения. Согласно предложенной методике, анализ выполняется на основе статистического и пространственного распределений ключе- вых точек, полученных по отдельным изображениям и их совокупностям. Основные результаты. Предложена методика исследования зависимости качества результата поиска ключевых точек от сюжета на изображении. В результате выполнения эксперимента выявлены факторы, вызывающие нарушение равномерности пространственного распределения ключевых точек при использовании стандартного критерия отбраковки ключевых точек. Практическая значимость. Полученные результаты позволяют, с одной стороны, обосновать необходимость разработки сюжетно-ориентированного подхода к обработке снимков местности с использованием методов поиска ключевых точек в силу того, что для выполнения и уточнения пространственной привязки изображений требуется обеспечивать равномерность расположения ключевых точек, используемых в качестве опорных или связующих точек. С другой стороны, выявлено, что нарушение плотности расположения ключевых точек может определяться неравномерным качеством изображения по полю кадра. Такое явление связано, в частности, с разной резкостью изображения в центральной и периферийной зонах.

1. Lobanova A., Ryzhova V., Korotaev V., Drozdova D. Solid-state optical radiation matrix receivers in robots’ vision systems // Studies in Systems, Decision and Control. 2020. V. 261. P. 171–188. doi: 10.1007/978-3-030-32710-1_13

2. Григорьев А.Н., Дмитриков Г.Г., Попович Т.В., Пятицкий А.А., Смирнова О.В. Принципы и примеры использования технологии дистанционного зондирования в информационном обеспечении инфраструктур пространственных данных // Труды Военно-космической академии имени А.Ф. Можайского. 2018. № 664. С. 51–59.

3. Лазаренко В.П., Джамийков Т.С., Коротаев В.В., Ярышев С.Н. Метод создания сферических панорам из изображений, полученных всенаправленными оптико-электронными системами // Научно-технический вестник информационных технологий, механики и оптики. 2016. Т. 16. № 1. С. 46–53. doi: 10.17586/2226-1494-2016-16-1-46-53

4. Lowe D. Object recognition from local scale-invariant features // Proc. 7th IEEE International Conference on Computer Vision (ICCV'99). Kerkyra, Greece. 1999. V. 2. P. 1150–1157. doi: 10.1109/ICCV.1999.790410

5. Bay H., Tuytelaars T., Van Gool L. SURF: Speeded up robust features // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2006. V. 3951. P. 404–417. doi: 10.1007/11744023_32

6. Rublee E., Rabaud V., Konolige K., Bradski G. ORB: an efficient alternative to SIFT or SURF // Proc. of the IEEE International Conference on Computer Vision (ICCV 2011). 2011. P. 2564–2571. doi: 10.1109/ICCV.2011.6126544

7. Alcantarilla P.F., Bartoli A., Davison A.J. KAZE features // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2012. V. 7577. P. 214–227. doi: 10.1007/978-3-642-33783-3_16

8. Маркушин Г.Н., Коротаев В.В., Кошелев А.В., Самохина И.А., Васильев А.С., Васильева А.В., Ярышев С.Н. Комплексирование изображений в двухдиапазонной сканирующей оптико-электронной системе поиска и обнаружения браконьерского промысла // Оптический журнал. 2020. Т. 87. № 6. С. 57–65. doi: 10.17586/1023-5086-2020-87-06-57-65

9. Rey-Otero I., Delbracio M. Anatomy of the SIFT method // Image Processing On Line. 2014. P. 370–396. doi: 10.5201/ipol.2014.82

10. Ai M., Hu Q., Li J., Wang M., Yuan H., Wang S. A robust photogrammetric processing method of low-altitude UAV images // Remote Sensing. 2015. V. 7. N 3. P. 2302–2333. doi: 10.3390/rs70302302

11. Fan B., Huo C., Pan C., Kong Q. Registration of optical and SAR satellite images by exploring the spatial relationship of the improved SIFT // IEEE Geoscience and Remote Sensing Letters. 2013. V. 10. N 4. P. 657–661. doi: 10.1109/LGRS.2012.2216500

12. Berveglieri A., Tommaselli A. Multi-scale matching for the automatic location of control points in large scale aerial images using terrestrial scenes // ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2014. V. 40. N 3W1. P. 27–31. doi: 10.5194/isprsarchives-XL-3-W1-27-2014

13. Wu C., Zhang L., Zhang L. A scene change detection framework for multi-temporal very high resolution remote sensing images // Signal Processing. 2016. V. 124. P. 184–197. doi: 10.1016/j.sigpro.2015.09.020

14. Liu F., Bi F., Chen L., Shi H., Liu W. Feature-area optimization: A novel SAR image registration method // IEEE Geoscience and Remote Sensing Letters. 2016. V. 13. N 2. P. 242–246. doi: 10.1109/LGRS.2015.2507982

15. Lingua A., Marenchino D., Nex F. Performance analysis of the SIFT operator for automatic feature extraction and matching in photogrammetric applications // Sensors. 2009. V. 9. N 5. P. 3745–3766. doi: 10.3390/s90503745

16. Long T., Jiao W., He G., Zhang Z. A Fast and reliable matching method for automated georeferencing of remotely-sensed imagery // Remote Sensing. 2016. V. 8. N 1. P. 56. doi: 10.3390/rs8010056

17. Ma Y., Chen F., Liu J., He Y., Duan J., Li X. An automatic procedure for early disaster change mapping based on optical remote sensing // Remote Sensing. 2016. V. 8. N 4. P. 272. doi: 10.3390/rs8040272

18. Sima A.A., Buckley S.J. Optimizing SIFT for matching of short wave infrared and visible wavelength images // Remote Sensing. 2013. V. 5. N 5. P. 2037–2056. doi: 10.3390/rs5052037

19. Sirmacek B., Unsalan C. Urban-area and building detection using SIFT keypoints and graph theory // IEEE Transactions on Geoscience and Remote Sensing. 2009. V. 47. N 4. P. 1156–1167. doi: 10.1109/TGRS.2008.2008440

20. Sun Y., Zhao L., Huang S., Yan L., Dissanayake G. L2-SIFT: SIFT feature extraction and matching for large images in large-scale aerial photogrammetry // ISPRS Journal of Photogrammetry and Remote Sensing. 2014. V. 91. P. 1–16. doi: 10.1016/j.isprsjprs.2014.02.001

21. Suri S., Schwind P., Uhl J., Reinartz P. Modifications in the SIFT operator for effective SAR image matching // International Journal of Image and Data Fusion. 2010. V. 1. N 3. P. 243–256. doi: 10.1080/19479832.2010.495322

22. Tong X., Liu X., Chen P., Liu S., Luan K., Li L., Liu S., Liu X., Xie H., Jin Y., Hong Z. Integration of UAV-based photogrammetry and terrestrial laser scanning for the three-dimensional mapping and monitoring of open-pit mine areas // Remote Sensing. 2015. V. 7. N 6. P. 6635–6662. doi: 10.3390/rs70606635

23. Yang K., Pan A., Yang Y., Zhang S., Ong S.H., Tang H. Remote sensing image registration using multiple image features // Remote Sensing. 2017. V. 9. N 6. P. 581. doi: 10.3390/rs9060581

24. Song Z.-I., Li S., George T.F. Remote sensing image registration approach based on a retrofitted SIFT algorithm and Lissajous-curve trajectories // Optics Express. 2010. V. 18. N 2. P. 513–522. doi: 10.1364/OE.18.000513

25. Hintze J.L., Nelson R.D. Violin plots: A box plot-density trace synergism // American Statistician. 1998. V. 52. N 2. P. 181–184. doi: 10.1080/00031305.1998.10480559

26. Morris S., Tuttle J., Essic J. A partnership framework for geospatial data preservation in North Carolina // Library Trends. 2009. V. 57. N 3. P. 516–540. doi: 10.1353/lib.0.0050

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License