 |
Б.И. Савельев, И.Б. Мамай, Д.П. Николаев, В.Л. Арлазаров, К.Б. Булатов, Н.С. Скорюкина "Метод согласования графа проективных преобразований для задачи панорамирования плоских объектов" |
 |
Аннотация. Работа посвящена разработке метода согласования графа проективных преобразований для задачи панорамирования плоских объектов. Описывается существующий, широко используемый подход склейки панорамы плоских объектов. Предлагается метод согласования графа проективных преобразований для повышения качества склейки панорам плоских объектов, который проверен на экспериментальных данных, содержащих изображения поверхности Земли, Марса, рукописных и печатных текстовых документов, а также изображения, полученные с помощью микроскопа. Показано более чем двукратное снижение накапливаемой ошибки вычисления проективных преобразований на тестовом наборе данных при склейке панорамы. Ключевые слова: проективное преобразование, панорамные изображения, видеопоток, обработка изображений. Стр. 124-134. DOI: 10.14357/20790279180514 Полная версия статьи в формате pdf. Литература 1. Botterill T., Mills S., Green R. Real-time aerial image mosaicing //Image and Vision Computing New Zealand (IVCNZ), 2010 25th International Conference of. – IEEE, 2010. – P. 1-8.
2. Cheng B. Automated multi-frame image capture for panorama stitching using motion sensor: U.S. Patent Application No. 11/246,943 – 2007.
3. Jiang W., Gu J. Video stitching with spatial-temporal content-preserving warping //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. – 2015. – P. 42-48.
4. Semwal A., Chamoli A., Mukesh C.A., Salman A. “A Survey: The Methods & Techniques of Super-Resolution Image Reconstruction” // International Journal for Scientific Research & Development. – 2017. – V. 4. – I. 12. – P. 243-249.
5. Губин А.Ю., Ковин Р.В. Простой подход к задаче склейки перекрывающихся изображений в панораму. // X Международная научно-практическая конференция студентов, аспирантов и молодых ученых «Молодежь и современные информационные технологии». – 2012. –С. 79-81.
6. Drummond T., Rosten E. Machine Learning for high-speed corner detection // 9th European Conference on Computer Vision (ECCV 2006), 2006. – P. 430-443.
7. Lowe D.G. Distinctive Image Features from Scale-Invariant Keypoints // International Journal of Computer Vision. – 2004. – P. 91–110.
8. Bay H., Ess A., Tuytelaars T., Van Gool L. SURF: Speeded up robust features // Computer Vision and Image Understanding. – 2008. – V. 110. – P. 346–359.
9. Martin A. Fischler and Robert C. Bolles: «Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography». Comm. Of the ACM24: pp. 381–395, 1981.
10. Арлазаров В.Л., Булатов К.Б., Чернов Т.С. Метод нечеткого поиска изображений в больших объемах видеоданных //Системы высокой доступности. – 2016. – V. 12. – №. 1. – P. 53-58.
11. Skoryukina N. et al. Snapscreen: TV-stream frame search with projectively distorted and noisy query //Ninth International Conference on Machine Vision (ICMV 2016). – International Society for Optics and Photonics, 2017. – V. 10341. – P. 103410Y. – doi: 10.1117/12.2268735.
12. Bouguet J.Y. Pyramidal implementation of the affine lucas kanade feature tracker description of the algorithm //Intel Corporation. – 2001. – V. 5. – №. 1-10. – P. 4.
13. Newman P., Ho K. SLAM-loop closing with visually salient features //Robotics and Automation, 2005. ICRA 2005. Proceedings of the 2005 IEEE International Conference on. – IEEE, 2005. – P. 635-642.
14. Nocedal J., Wright S.J. Conjugate gradient methods //Numerical optimization. – 2006. – P. 101-134.
15. Paalanen P., Kämäräinen J.K., Kälviäinen H. Image based quantitative mosaic evaluation with artificial video //Scandinavian Conference on Image Analysis. – Springer, Berlin, Heidelberg, 2009. – P. 470-479.
|
