کاهش گوشه های ضعيف و کاذب با تحليل آنتروپی محلی در گوشه‌ ياب فضای مقياس بندي انحناء - Artificial Intelligence

**Astaraki** · ۱۲-۱۸-۱۳۸۸, ۰۶:۵۲ بعد از ظهر

کاهش گوشه های ضعيف و کاذب با تحليل آنتروپی محلی در گوشه‌ ياب فضای مقياس بندي انحناء

در بعضي از كاربردهاي بينايي ماشين، مانند تثبيت تصوير، رديابي و بينايي استريو، آشكارسازي نقاط گوشه و تطابق آنها، نقشي مهم ايفا مي كنند. يكي از گو شه يابهايي كه امروزه توجه خاصي به آن م ي شود، گوشه ياب برمبناي فضاي مقياس بندي انحناء (css) انواع اصلاح شده آن است كه در آ نها برخلاف روش هاي تك مقياسه، از چندين مقياس جهت آشكارسازي گوشه ها و حذف نقاط كاذب استفاده مي شود. انتخاب گوشه هاي قوي و كاهش گوشه هاي كاذب مي تواند در كاهش خطا و حجم محاسبات مر احل بعدي، مانند تطابق، كاملا موثر باشد، در اين مقاله ابتدا الگوريتم گوشه ياب css و اصلاحات آ ن ، مطرح شده و سپس روشي براي انتخاب گوشه هاي قوي تر كه البته منجر به كاهش گوشه هاي كاذب نيز خواهد شد، پيشنهاد ميشود. براي اين منظور پس از گوشه يابي به روش css گوشه هاي نزديك به هم گروه بندي شده و با محاسبه آنتروپي گوشه ها در هر گروه، فقط گوش ه هاي با آنتروپي بيشتر انتخاب مي شود. روش پيشنهادي روي تصاوير مختلف آزمايش شده و نتايج آن با الگوريتم هاي ديگر css مقايسه شده است . آزمايشات نشان مي دهد كه روش پيشنهادي علاوه بر كاهش تعداد گوشه هاي ضعيف، گوشه هاي كاذب آشكار شده را نيز كاهش مي دهد. در انتها اثر نويزهاي مختلف در عملكرد روش پيشنهادي بررسي و ارائه ميگردد.