ارزیابی معیارهای مقایسه در تناظریابی الگو

معیارهای مقایسه نقشی اساسی در کیفیت فرآیند تناظریابی الگو در فتوگرامتری و سنجش‌ازدور ایفا می‌کنند. در این تحقیق قابلیت انواع مختلف از معیارهای مقایسه در تناظریابی انواع مختلف از تصاویر با اختلافات مختلف هندسی و رادیومتریکی ارزیابی شده است. علاوه بر این یک روش جدید برای وزن‌دهی درجات خاکستری در محاسبه معیارهای مقایسه برای افزایش پایداری در برابر اختلافات هندسی و رادیومتریکی معرفی شده است. روش پیشنهادی بر مبنای حاصل‌ضرب سه پارامتر وزنی است. دو پارامتر وزن اول بر مبنای اندازه و جهت گرادیان بوده و پارامتر وزن سوم نیز بر مبنای یک تابع گوسی دوبعدی است. روش وزن‌دهی پیشنهادی برای معیار ضریب همبستگی اعمال شده و معیار جدیدی با عنوان ضریب همبستگی وزن‌دار، wcc (weighted crosscorrelation)، ارائه‌شده است. الگوریتم‌های تناظریابی الگوی مورد مقایسه در این تحقیق شامل 10 الگوریتم ssd، lsssd، nssd، jf، tanimto، isd، irv، cc، mi و wcc هستند. فرآیند ارزیابی بر روی دو دسته داده ساختگی و واقعی و برای تغییرات هندسی مختلف شامل مقیاس، دوران، تغییرمنظر، تار شدگی و تغییرات روشنایی انجام شده است. برای مقایسه عملکرد الگوریتم‌ها نیز از سه معیار درصد موفقیت تناظریابی، دقت مکانی و زمان تناظریابی استفاده شده است. بر اساس نتایج آزمایش‌های انجام شده الگوریتم پیشنهادی wcc بهترین عملکرد را برای دو معیار درصد موفقیت و دقت مکانی داشته و الگوریتم isd نیز ضعیف‌ترین عملکرد را دارد. ازلحاظ سرعت محاسباتی نیز الگوریتم mi کندترین الگوریتم و الگوریتم isd نیز سریع‌ترین الگوریتم است.

Evaluation of Similarity Measures for Template Matching

Image matching is a critical process in various photogrammetry, computer vision and remote sensing applications such as image registration, 3D model reconstruction, change detection, image fusion, pattern recognition, autonomous navigation, and digital elevation model (DEM) generation and orientation. The primary goal of the image matching process is to establish the correspondence between two images of the same scene (i.e., the reference and input images). Image matching methods are generally classified as featurebased matching and template matching.Featurebased methods extract image features (points, lines, regions) and attempt to establish the correspondence between these features. Template matching methods, also known as areabased methods, are generally defined as the process of finding a template in an image, based on a similarity measure such as crosscorrelation and mutual information. Identical image windows of predefined size are applied for the computation of correspondence. Similarity measures play an essential role in the quality of template matching in photogrammetry, remote sensing, and computer vision. Various similarity measures have been proposed in the literature. Each similarity measure has its strengths and weaknesses.In this paper, the capability of some wellknown similarity measures for matching of various close range and satellite images with diverse geometric and radiometric differences are evaluated. Also, to increase the template matching stability against geometric and radiometric variations, a novel weighting approach for computing of similarity measures has been introduced. The proposed approach is based on three weight factor that are computed using gradient and Gaussian functions. By applying this weighting approach for cross correlation similarity measure, a novel measure named Weighted CrossCorrelation (WCC) has been presented.Ten algorithms, including SSD (Sum of Squared Differences), LSSSD (Locally Scaled Sum of Squared Differences), NSSD (Normalized Sum of Squared Differences), JF (Jeffrey Divergence), Tanimoto, ISD (Incremental Sign Distance), IRV (IntensityRatio Variance), CC (CrossCorrelation), MI (Mutual Information) and WCC are considered for evaluation.To evaluate the capability of various similarity measures, a number of templatematching experiments were applied. Several synthetic and real images for different geometric and radiometric variations including, scale, rotation, viewpoint, blur, and illumination changes are used as data set. The similarity measures are evaluated using three evaluation criteria, including success rate, positional accuracy, and computation time. The experimental results indicate that the proposed WCC method outperforms the other similarity measures for all images and all types of transformations. Based on the evaluation results, the WCC method can be applied to the reliable template matching for a variety of photogrammetric and remote sensing applications. Generally, after the WCC, better results, on average, were obtained by the NSSD, LSSSD, and CC measures in most cases. For illumination variations, MI and ISD methods provide the best results. The fastest method is the IRV and the slowest method is MI. Evaluation of the performance of the various similarity measures for other applications such as dense matching process is suggested as future work.