مقایسه بین الگوریتمهای LBP و SIFT و SURF

همانطور که در مطالب قبلی گفته شد عملیات پردازش تصویر به طور کلی به دو دسته پیش پردازش و تحلیل دسته بندی میشود.از طرفی استخراج ویژگیهای تصویر یکی از مراحل اساسی در زمینه های مختلف بهبود پیش پردازش میباشدو ویژگیهای قابل استخراج از تصاویر به دو دسته سراسری و محلی تقسیم بندی میشوند. ویژگیهای سراسری، یک تصویر را به صورت کلی توصیف میکنند؛ در مقابل ویژگیهای محلی بخشهایی از تصویر را مورد بررسی قرار میدهند. از مهمترین نمونه های ویژگیهای محلی میتوان به SIFT ،SURF وLBP را برشمرد.ویژگیها میتوانند ناحیه ای از تصویر ،نقاط کلیدی و برخی از خصوصیات مشابه باشند.نقاط کلیدی ویژگیهای مهمی از یک تصویر هستند که در برابر اعوعاج های هندسی پایدار میباشند .به عنوان نمونه گوشه ها،لبه ها وحبابها به عنوان نقاط کلیدی در نظر گرفته میشوند. 

 

از میان روشهای موجود برای استخراج ویژگیها ،روش الگوی باینری محلی  (LBP) به دلیل سادگی در پیاده سازی ،پیچیدگی محاسباتی کم نسبت به سایر روشهای پردازش سیگنال واستخراج ویژگی  مورد توجه متخصصان قرار گرفته است. الگوهای باینری محلی و شکل بهبودیافته آن هم در زمینه طبقه بندی بافت و هم در زمینه آشکارسازی عیوب بافتی ، نتایج بسیار خوبی ارائه داده اند. این روش،روشی غیر پارامتریک می باشد و تنها باید تعداد نقاط همسایگی و شعاع همسایگی تعیین شود و پارامتر دیگری در تعیین آن نقش ندارد. اما یکی از مشکلات روش الگوهای باینری محلی، تعداد الگوهایی است که در نهایت به دست خواهد آمد. چنانچه تعداد نقاط همسایگی را p و شعاع همسایگی را R در نظر بگیریم 2^p الگوی باینری مختلف ایجاد خواهد شد. بدیهی است که با افزایش تعداد نقاط همسایگی، تعداد الگوهای باینری ایجادشده نیز به صورت نمایی افزایش خواهد یافت.همچنین مشاهده شده است که این روش، قدرت جداسازی چندان زیادی ندارد.یکی از دلایل آن، تغییر بسیار زیاد فرکانس وقوع الگوهاست. برخی ازالگوها که درصد بسیار زیادی از تصویر را تشکیل می دهند، از ویژگی های اصلی بافت تصویر هستند. این الگوها، الگوهای همگن یا یکنواخت نامیده می شوند .معیار یکنواختی، نشان دهنده تعداد جهش ها درشدت روشنایی نقاط موجود در همسایگی است.

مشکل دیگری که روش الگوهای باینری محلی با آن مواجه است عدم اعمال تفاوت میان همسایگی هایی با شدت روشنایی برابر با شدت روشنایی نقطه مرکز همسایگی و همسایگی هایی با شدت روشنایی بزرگ تر از شدت روشنایی مرکز همسایگی است. چرا که روش الگوهای باینری محلی تابع علامت را به صورتی تعریف کرده است که به همسایگی هایی با شدت روشنایی برابر یا بزرگ تر از شدت روشنایی مرکزهمسایگی مقدار 1 و در غیر این صورت مقدار صفر را نسبت می دهد.روش الگوهای باینری محلی در نهایت به همسایگی های همگن برچسبی به تعداد 1 های موجود در الگو و به تمام همسایگی های غیرهمگن نیز برچسب ثابتی را نسبت می دهد. این روش در بر دارنده هیچ اطلاعاتی در مورد همسایگی های با شدت روشنایی برابر یا کوچک تر ازشدت روشنایی مرکز همسایگی نیست.

از طرفی در روش الگوهای باینری محلی، شدت روشنایی نقاط همسایگی با شدت روشنایی مرکز همسایگی مقایسه می شود، اما در کل هیستوگرامی که از برچسب ها ایجاد می گردد مستقل از شدت روشنایی نقطه مرکزی است.

به طور کلی شناساگرها(Detector) به عنوان مهمترین ابزار برای استخراج نقاط کلیدی شناخته شده اند.شناساگرها به دو دسته کلی محلی و فراگیر تقسیم میشود که شناساگرهای محلی دارای کاربردهای گستده تر و عمل کننده بهتری هستند.الگوریتم SIFT و نسخه های بهبود یافته آن ،یکی از معروفترین دسته های شناساگرهای محلی است. دیوید لاو در سال 2004 این الگوریتم را به عنوان یک شناساگر مقاوم نسبت به تغییرات مقیاس وچرخش و همچنین نسبت به نویز وشدت روشنایی پیشنهاد کرد.الگوریتم SIFT نه نتها یک شناساگر قوی ،بلکه یک توصیف گر وتطبیق گر قوی هم می باشد. . این الگوریتم ونسخه های بهبود یافته آن در انطباق تصویر،موزاییک تصویر،جعل کپی – جابجایی وردیابی تصویر کاربرد دارد.

الگوریتم SIFT به طور گسترده در حوزه پردازش تصویر به کار گرفته شده است.پایگاه IEEE  کاربرد الگوریتم SIFT ونسخه های بهبودیافته آن را در محدوده سالهای (2019-2015 ) در شکل زیر مورد بررسی قرارداده است.با توجه به این بررسی میتوان نتیجه گرفت که نوع کاربرد در تعیین الگوریتم مناسب حائز اهمیت می باشد.

در ادامه به بررسی کاربرد الگوریتم SIFT و مقایسه آن با الگوریتمهای SURF و LBP می پردازیم:

• انطباق تصویر: یکی از روشهایی که برای انطباق تصاویر  وجوددارد انطباق تصویر مبتنی بر ویژگیها می باشد که الگوریتم SIFT از این روش استفاده میکند.درروشهای مبتنی بر ویژگی ،ابتدا ویژگیهای تصویر شناسایی میشود و سپس تطبیق میان آنها انجام میشود.از روشهای مبتنی بر ویژگی معمولا زمانی استفاده میشود که اطلاعات ساختار محلی مهمتر از اطلاعات شدت روشنایی باشد.در مقایسه ای که در یکی از مقالات  بین الگوریتم SIFT و الگوریتم SURF جهت انطباق تصویر پرداخته شده ،نشان میدهد الگوریتم SIFT تعداد ویژگی های بیشتری نسبت به الگوریتم SURF استخراج می کند اما زمان اجرای الگوریتم SIFT نسبت به الگوریتم SURF بیشتر است.در مقاله ای دیگربه مقایسه توصیفگرSIFT ،SURF و LBP در تصاویر سنجش از دور پرداخته شد که نشان میدهد، توصیفگرSIFT نسبت به دیگر توصیفگرها  بهترین عملکرد دارد.  توصیفگرLBP نسبت به توصیفگرSURF عملکرد بهتری دارد اما نسبت به توصیفگرSIFT عملکرد بدتری دارد.توصیفگر SURF بدترین عملکرد در تصاویر سنجش از دور دارد.

• جعل کپی – جابجایی  تصویر: به طور کلی روشهای تشخیص جعل کپی-جابجایی به دو دسته روشهای مبتنی بر بلوک و روشهای مبتنی برویژگی تقسیم میشوند.که از الگوریتمهای SIFT و SURF در این زمینه استفاده شده است و بررسی های انجام شده نشان میدهد که الگوریتم SIFT نسبت به الگوریتم SURF از دقت بالاتری برخوردار است.

• موزاییک تصویر:  به طورکلی، روشهای موزاییک تصویر به دو دسته روشهای مستقیم و روشهای مبتنی بر ویژگی تقسیم میشوند. روشهای مبتنی بر ویژگی در مقایسه با روشهای مستقیم دقّت بیشتری دارند و کاربردهای آنها گسترده ترمی باشد. جهت انطباق تصویر از الگوریتم SIFT برای موزاییک تصویر استفاده شد که این روش در برابر انحرافهای هندسی عملکرد مناسبی دارد.از الگوریتم SIFT  همچنین جهت موزاییک  تصاویر هوایی استفاده شده از آنجاییکه تصاویر هوایی با اعوجاجهای هندسی روبرو هستند، الگوریتم SIFT عملکرد مناسبی در این تصاویر دارد.

•  ردیابی تصویر: از الگوریتم SIFT برای استخراج ویژگیها در ردیابی اشیاء استفاده شده که این الگوریتم توانمند نسبت به تبدیل های هندسی، تغییرات روشنایی و انسدادهای جزئی موجود در این کاربرد مقاوم است. از الگوریتم SIFT و SURF جهت استخراج ویژگیها در ردیابی اشیاء استفاده شده و نشان داده شده که الگوریتم  SURF نسبت به الگوریتم SIFT از دقّت بالاتری برخوردار است.