دوره 22، شماره 3 - ( 9-1404 )
جلد 22 شماره 3 صفحات 18-3 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Zarei A, Moallem P. Improvement of SIFT matching algorithm for matching visible satellite images using Siamese deep neural network. JSDP 2025; 22 (3) : 1
URL: http://jsdp.rcisp.ac.ir/article-1-1415-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1415-fa.html
زارعی احمدرضا، معلم پیمان. بهبود الگوریتم تناظریابی SIFT جهت تطبیق تصاویر ماهوارهای مرئی با استفاده از شبکه عصبی عمیق دوقلو. پردازش علائم و دادهها. 1404; 22 (3) :3-18
استاد گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه اصفهان، اصفهان، ایران
چکیده: (432 مشاهده)
تطبیق تصاویر سنجشازدور یک مرحله اساسی و پایهای در بسیاری از کاربردهای پردازش تصویر است؛ برخلاف تصاویر معمولی، تصاویر سنجشازدور بهطورمعمول تحت تأثیر تغییرات پیچیده پسزمینه هستند که باعث دشواری تطبیق این دسته از تصاویر میشود. تصاویر مورد استفاده علاوهبر تغییرات شدید و غیرخطی در پسزمینه، شامل چالشهایی مانند تفاوت مقیاس، چرخش و زاویه دید متفاوت است. یکی از الگوریتمهای پرکاربرد برای یافتن نقاط متناظر میان تصاویر، الگوریتم SIFT است که استفاده از این الگوریتم برای تطبیق تصاویر با ویژگیهای گفتهشده، در بسیاری از مواقع باعث تولید تطابقهای اشتباه فراوان و تطابقهای صحیح کم میشود؛ از طرفی روشهای مبتنی بر یادگیری عمیق قادر به استخراج ویژگیهای سطح متوسط و بالا و مقایسه آنها برای تطبیق تصاویرند. با الهام از تواناییها و پیشرفتهای انجامشده در یادگیری عمیق، روشی برای استفاده همزمان از الگوریتم SIFT و شبکههای عصبی عمیق برای تطبیق تصاویر سنجشازدور معرفی شدهاست؛ بر اساس آزمایشهای صورتگرفته بر روی مجموعهای از تصاویر سنجشازدور شامل 35 جفت تصویر و مقایسه نتایج نسبت به الگوریتم SIFT و الگوریتمهای مبتنی بر یادگیری عمیق، روش پیشنهادی توانسته با کاهش تطابقهای اشتباه و افزایش تطابقهای صحیح، به دقت 849 درصد برسد.
شمارهی مقاله: 1
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش تصویر
دریافت: 1402/10/2 | پذیرش: 1404/4/30 | انتشار: 1404/9/28 | انتشار الکترونیک: 1404/9/28
دریافت: 1402/10/2 | پذیرش: 1404/4/30 | انتشار: 1404/9/28 | انتشار الکترونیک: 1404/9/28
فهرست منابع
1. J. Ma, X. Jiang, A. Fan, J. Jiang, and J. Yan, "Image Matching from Handcrafted to Deep Features : A Survey," International Journal of Computer Vision, 2020. [DOI:10.1007/s11263-020-01359-2]
2. H. P. Moravec, "Techniques towards automatic visual obstacle avoidance," 1977.
3. C. Harris and M. Stephens, "A combined corner and edge detector," in Alvey vision conference, 1988, pp. 147-152.
4. D. G. Lowe, "Distinctive image features from scale-invariant keypoints," International journal of computer vision, vol. 60, no. 2, pp. 91-110, 2004. [DOI:10.1023/B:VISI.0000029664.99615.94]
5. H. Bay, T. Tuytelaars, and L. Van Gool, "Surf: Speeded up robust features," in European conference on computer vision, 2006, pp. 404-417. [DOI:10.1007/11744023_32]
6. F. Dellinger, J. Delon, Y. Gousseau, J. Michel, and F. Tupin, "SAR-SIFT: a SIFT-like algorithm for SAR images," IEEE Transactions on Geoscience and Remote Sensing, vol. 53, no. 1, pp. 453-466, 2014. [DOI:10.1109/TGRS.2014.2323552]
7. S. Wang, H. You, and K. Fu, "BFSIFT: A novel method to find feature matches for SAR image registration," IEEE Geoscience and remote sensing letters, vol. 9, no. 4, pp. 649-653, 2011. [DOI:10.1109/LGRS.2011.2177437]
8. R. Song and J. Szymanski, "Well-distributed SIFT features," Electronics letters, vol. 45, no. 6, pp. 308-310, 2009. [DOI:10.1049/el.2009.2954]
9. L. Juan and O. Gwun, "A comparison of sift, pca-sift and surf," International Journal of Image Processing (IJIP), vol. 3, no. 4, pp. 143-152, 2009.
10. A. Sedaghat, M. Mokhtarzade, and H. Ebadi, "Uniform Robust Scale-Invariant Feature Matching for Optical Remote Sensing Images," IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 49, NO. 11, no. January 2011. [DOI:10.1109/TGRS.2011.2144607]
11. صداقت، امین، عبادی، حمید، مختارزاده، مهدی، "بهبود الگوریتم SIFT برای تطبیق تصاویر ماهوارهای"، مجله سنجش از دور و سامانههای اطلاعات جغرافیایی ایران، دورة ۲، شمارة ۴، زمستان 1389.
11. A. Sedaghat, H. Ebadi, and M. Mokhtarzade, "Improving the SIFT algorithm in order to match satellite images,"Iranian Journal of Remote Sensing & GIS (GISG), vol. 2, no. 4, 2011.
12. حسیننژاد، زهرا، نصری، مهدی، "موزاییک تصاویر طبیعی بر اساس حذف نقاط کلیدی زائد در الگوریتم SIFT و الگوریتم RANSAC تطبیقی"، پردازش علائم و دادهها، دورة 18، شمارة 2، صفحات 147-162، 1400.
12. Z. Hossein-Nejad and M. Nasri, "Natural image mosaicing based on redundant keypoint elimination method in SIFT algorithm and adaptive RANSAC method," Signal and Data Processing, vol. 18, no. 2, pp. 147-162, 2021. [DOI:10.52547/jsdp.18.2.147]
13. Z. Yang, T. Dan, and Y. Yang, "Multi-temporal Remote Sensing Image Registration Using Deep Convolutional Features," IEEE Access, vol. PP, no. c, p. 1, 2018. [DOI:10.1109/ACCESS.2018.2853100]
14. K. Simonyan and A. Zisserman, "Very deep convolutional networks for large-scale image recognition," arXiv preprint arXiv:1409.1556, 2014.
15. H. He, M. Chen, T. Chen, and D. Li, "Matching of Remote Sensing Images with Complex Background Variations via Siamese Convolutional Neural Network," pp. 1-23, 2018. [DOI:10.3390/rs10020355]
16. Y. Dong et al., "Local Deep Descriptor for Remote Sensing Image Feature Matching," Remote Sensing, pp. 1-21, 2019. [DOI:10.3390/rs11040430]
17. F. Ye, Y. Su, H. Xiao, X. Zhao, and W. Min, "Remote sensing image registration using convolutional neural network features," IEEE Geoscience and Remote Sensing Letters, vol. 15, no. 2, pp. 232-236, 2018. [DOI:10.1109/LGRS.2017.2781741]
18. W. Ma et al., "Remote sensing image registration with modified SIFT and enhanced feature matching," IEEE Geoscience and Remote Sensing Letters, vol. 14, no. 1, pp. 3-7, 2016. [DOI:10.1109/LGRS.2016.2600858]
19. W. Ma, J. Zhang, Y. Wu, L. Jiao, H. Zhu, and W. Zhao, "A Novel Two-Step Registration Method for Remote Sensing Images Based on Deep and Local Features," IEEE Transactions on Geoscience and Remote Sensing, vol. 57, no. 7, pp. 4834-4843, 2019. [DOI:10.1109/TGRS.2019.2893310]
20. L. H. Hughes, M. Schmitt, L. Mou, Y. Wang, and X. X. Zhu, "Identifying corresponding patches in SAR and optical images with a pseudo-siamese CNN," IEEE Geoscience and Remote Sensing Letters, vol. 15, no. 5, pp. 784-788, 2018. [DOI:10.1109/LGRS.2018.2799232]
21. B. Li, J. Zhang, B. Liu, Y. Xiang, and Y. Zhang, "An improved algorithm with SuperPoint+ SuperGlue network for UAV remote sensing image registration," in Proc. IGARSS - IEEE Int. Geosci. Remote Sens. Symp., pp. 9975-9978, 2024. [DOI:10.1109/IGARSS53475.2024.10640500]
22. D. Quan, Z. Wang, C. Lv, S. Wang, Y. Li, B. Ren, J. Chanussot, and L. Jiao, "LM-Net: A lightweight matching network for remote sensing image matching and registration," IEEE Trans. Geosci. Remote Sens., 2024. [DOI:10.1109/TGRS.2024.3509638]
23. P. Lindenberger, P. Sarlin, and M. Pollefeys, "LightGlue: Local feature matching at light speed," in Proc. IEEE/CVF Int. Conf. Comput. Vis. (ICCV), 2023, pp. 17627-17638. [DOI:10.1109/ICCV51070.2023.01616]
24. W. Zhang, T. Li, Y. Zhang, G. Pei, X. Jiang, and Y. Yao, "LTFormer: A light-weight transformer-based self-supervised matching network for heterogeneous remote sensing images," Inf. Fusion, vol. 109, pp. 102425, 2024. [DOI:10.1016/j.inffus.2024.102425]
25. S. Ji, C. Zeng, Y. Zhang, and Y. Duan, "An evaluation of conventional and deep learning‐based image‐matching methods on diverse datasets," Photogramm. Rec., vol. 38, no. 182, pp. 137-159, 2023. [DOI:10.1111/phor.12445]
26. جهانی، سید علی، محبی، کیوان، زمانی بروجنی، فرساد، "بهبود تشخیص صحنه در سنجش از راهدور با استفاده از یادگیری عمیق و انتخابگر ویژگی"، پردازش علائم و دادهها، دورة 21، شمارة 3، صفحات 84-69، 1403.
26. S. A. Jahani, K. Mohebbi, and F. Z. Boroujeni, "Improving Scene Recognition in Remote Sensing Using Deep Learning and Feature Selector," Signal and Data Processing, vol. 21, no. 3, pp. 69-84, 2024. [DOI:10.61186/jsdp.21.3.69]
27. J. Bromley, I. Guyon, Y. LeCun, E. Säckinger, and R. Shah, "Signature verification using a" siamese" time delay neural network," in Advances in neural information processing systems, 1994, pp. 737-744. [DOI:10.1142/9789812797926_0003]
28. D. Chicco, "Siamese Neural Networks: An Overview," Artificial Neural Networks, pp. 73-94, 2020. [DOI:10.1007/978-1-0716-0826-5_3]
29. S. Ioffe and C. Szegedy, "Batch Normalization : Accelerating Deep Network Training by Reducing Internal Covariate Shift," arXiv preprint arXiv:1502.03167, 2015.
30. M. Brown, G. Hua, and S. Winder, "Discriminative Learning of Local Image Descriptors," IEEE transactions on pattern analysis and machine intelligence, vol. 33, no. 1, pp. 43-57, 2011. [DOI:10.1109/TPAMI.2010.54]
31. C. Wu, L. Zhang, and L. Zhang, "A scene change detection framework for multi-temporal very high resolution remote sensing images," Signal Processing, vol. 124, pp. 184-197, 2016. [DOI:10.1016/j.sigpro.2015.09.020]
32. C. Wu, L. Zhang, and B. Du, "Kernel slow feature analysis for scene change detection," IEEE Transactions on Geoscience and Remote Sensing, vol. 55, no. 4, pp. 2367-2384, 2017. [DOI:10.1109/TGRS.2016.2642125]
33. R. C. Daudt, B. Le Saux, A. Boulch, and Y. Gousseau, "Urban change detection for multispectral earth observation using convolutional neural networks," in IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium, 2018, pp. 2115-2118. [DOI:10.1109/IGARSS.2018.8518015]
34. Satellite Imaging Corporation, "Remote sensing and satellite imaging services." [Online]. Available: https://www.satimagingcorp.com/. [Accessed: May 15, 2025].
35. A. Vedaldi and B. Fulkerson, "VLFeat - An open and portable library of computer vision algorithms," pp. 1-4, 2010. [DOI:10.1145/1873951.1874249]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
