Υλοποίηση και Αξιολόγηση Σημειακών Τελεστών για την Αυτόματη Αραιή Συνταύτιση Εικόνας σε Στερεοζεύγη

Φλωρίδη, Βασιλική; Floridi, Vasiliki

dc.contributor.author	Φλωρίδη, Βασιλική	el
dc.contributor.author	Floridi, Vasiliki	en
dc.date.accessioned	2017-03-20T07:59:38Z
dc.date.available	2017-03-20T07:59:38Z
dc.date.issued	2017-03-20
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/44654
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.6152
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική”	en
dc.rights	Default License
dc.subject	Σημειακοί Τελεστές	el
dc.subject	Αυτόματη Αραιή Συνταύτιση	el
dc.subject	Ανιχνευτές Σημείων	el
dc.subject	Διάνυσμα περιγραφικών χαρακτηριστικών	el
dc.subject	Συνταύτιση Χαρακτηριστικών	el
dc.subject	Descriptors	en
dc.subject	Detectors	en
dc.subject	Sparse stereo matching	en
dc.subject	Ransac algorithm	en
dc.subject	Σχετικός προσανατολισμός	el
dc.subject	Point operator	en
dc.title	Υλοποίηση και Αξιολόγηση Σημειακών Τελεστών για την Αυτόματη Αραιή Συνταύτιση Εικόνας σε Στερεοζεύγη	el
dc.title	Implementation and Evaluation of Point Operators for Automatic Sparse Stereo-Matching	en
heal.type	masterThesis
heal.classification	ΦΩΤΟΓΡΑΜΜΕΤΡΙΑ	el
heal.classificationURI	http://data.seab.gr/concepts/3d45aafccf6809ad356fb62c8abb5f1a03506430
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-10-26
heal.abstract	In this Diploma Thesis, some of the well-known descriptors for automatic sparse stereo-matching have been implemented, investigated and evaluated via the determination of relative orientation. Among the many different descriptors proposed in the literature, the detectors used here were: Sift, Brisk, Mser, Mineigen, Fast, Surf and Affine Sift. These detectors are each controlled by certain parameters, which have been tested in a predetermined range of values. The stereo-matching processes used in Digital Photogrammetry, but especially the most recent algorithms developed in the field of Computer Vision, generally produce a large number of interest points, which need to be checked. Gross error detection has been performed by combining epipolar geometry (fundamental matrix) with the well-known RANSAC algorithm, which allows identifying gross errors in a data set and estimating the desired model using data which do not contain such outliers. These data were then used to determine the five conventional relative orientation parameters. The final evaluation of results was performed by estimating a total angular error of relative orientation, as this incorporates all basic sources of error (i.e. accuracy as well as number and distribu-tion of point correspondences). The project concludes with the conclusions and certain thoughts regarding its possible extensions. Most algorithms have been implemented in Matlab by the author, but of course codes available freely on the Internet have also been exploited.	en
heal.abstract	Σε αυτή την διπλωματική εργασία προγραμματίστηκαν, διερευνήθηκαν και αξιολογήθηκαν ορισμένοι από τους πιο γνωστούς τελεστές εξαγωγής σημείων ενδιαφέροντος μέσω του προσδιορισμού του σχετικού προσανατολισμού στερεοζευγών. Στην βιβλιογραφία έχουν προταθεί πολλοί διαφορετικοί ανιχνευτές και περιγραφείς σημείων ενδιαφέροντος. Δεν είναι πάντα σαφές ποιοι είναι πιο κατάλληλοι και σε ποιες περιπτώ-σεις εικόνων. Στην παρούσα διπλωματική εργασία εξετάστηκαν συνολικά επτά σημεια-κοί ανιχνευτές και ανιχνευτές περιοχών (blobs). Αυτοί είναι οι Sift, Brisk, Mser, Minei-gen, Fast, Surf και Asift (φυσικά υπάρχουν και άλλοι τελεστές, όπως πχ. ο ORB των Rub-lee et al., 2011). Η εφαρμογή τους απαιτεί να επιλεγούν οι τιμές ορισμένων παραμέ-τρων τους. Συνεπώς η εφαρμογή τους στα ζεύγη των εικόνων που χρησιμοποιήθηκαν πραγματοποιήθηκε μέσα σε ένα εύρος τιμών που προκαθορίστηκε για κάθε μια από τις εξετασθείσες παραμέτρους. Οι διαδικασίες ψηφιακής συνταύτισης εικόνας που χρησιμοποιούνται στην Ψηφιακή Φωτογραμμετρία, αλλά κυρίως οι πιο πρόσφατοι αλγόριθμοι προερχόμενοι από το πεδίο της Όρασης Υπολογιστών, καταλήγουν γενικά στην εξαγωγή μεγάλου αριθμού σημείων ενδιαφέροντος, τα οποία πρέπει με κάποιο τρόπο να ελεγχθούν ώστε να χρησιμοποιηθούν στην συνέχεια. H ανίχνευση χονδροειδών σφαλμάτων πραγματοποιήθηκε βάσει της επιπολικής γεωμετρίας (επιπολικός πίνακας) και του γνωστού αλγορίθμου RANSAC ο οποίος, σε αντίθεση με την πλειονότητα των αντίστοιχων αλγορίθμων, χρησιμοποιεί κατά το δυνατόν λιγότερα δεδομένα. Στην συνέχεια, τα σημεία που πέρασαν το έλεγχο (inliers) χρησιμοποιήθηκαν για τον προσδιορισμό των παραμέτρων του σχετικού προσανατολισμού των εικόνων μέσω της συνθήκης συνεπιπεδότητας. Μέτρο για την τελική αξιολόγηση των αποτελεσμάτων ήταν το συνολικό γωνιακό σφάλμα του σχετικού προσανατολισμού που υπολογίστηκε για κάθε περίπτωση, καθώς αυτό ενσωματώνει όλες τις βασικές πηγές σφάλματος (δηλαδή ακρίβεια, πλήθος και κατανομή ομολογιών σημείων). Τα αποτελέσματα συνοψίζονται και σχολιάζονται στο τέλος της εργασίας, όπου ακόμα παρατίθενται και κάποια τελικά συμπεράσματα και σκέψεις για πιθανή μελλοντική έρευνα. Η εργασία ολοκληρώνεται με την χρησιμοποιηθείσα βιβλιογραφία. Για την υλοποίηση και αξιολόγηση όλων των ανωτέρω διαδικασιών συντάχθηκαν πολλοί κώδικες στο προγραμματιστικό περιβάλλον Matlab, ενώ βέβαια επίσης χρησιμοποιήθηκαν ορισμένοι κώδικες διαθέσιμοι ελεύθερα στο Διαδίκτυο.	el
heal.advisorName	Καρράς, Γιώργιος	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Δουλάμης, Νίκος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	134 σ.	el
heal.fullTextAvailability	true