Сенсорные системы, 2020, T. 34, № 2, стр. 156-171

Исследование влияния природы рентгеновских изображений на качество детекции и дескрипции особых точек

М. О. Чеканов 12*, О. С. Шипитько 1

1 Институт проблем передачи информации им. А.А. Харкевича Российской академии наук
127051 Москва, Большой Каретный переулок, д. 19, Россия

2 Московский физико-технический институт (национальный исследовательский университет)
141701 г. Долгопрудный, Институтский пер., д. 9, Россия

* E-mail: chekanov@visillect.com

Поступила в редакцию 13.01.2020
После доработки 25.01.2020
Принята к публикации 28.01.2020

Аннотация

В работе исследуется качество работы алгоритмов детекции и дескрипции особых точек (SIFT, SURF, ORB, BRISK, AKAZE) при работе с цифровыми рентгеновскими изображениями и изображениями видимого спектра, производится сравнение показателей качества алгоритмов при работе с изображениями разных спектров и анализируется устойчивость алгоритмов к различным преобразованиям изображений. Качество алгоритмов тестируется на изображениях одного и того же объекта, сделанных в видимом и рентгеновском спектрах. К изображениям применяются геометрические преобразования (поворот, скос, масштабирование), линейное изменение яркости и контрастирование, гауссово размытие. Затем алгоритмы детекции и дескрипции применяются к исходному и преобразованному изображениям. Для алгоритмов детекции рассчитываются показатель повторяемости и число сопоставленных точек, а для алгоритмов дескрипции – доля верно сопоставленных точек и отношение расстояний дескриптора до двух ближайших дескрипторов преобразованного изображения. Наблюдается различное поведение алгоритмов при работе с изображениями, сделанными в разных спектрах. Лучшим детектором на изображениях в рентгеновском спектре оказался SURF, видимом – AKAZE. Лучшим дескриптором в обоих случаях стал SIFT. В работе также проведен анализ сильных и слабых сторон каждого алгоритма.

Ключевые слова: особые точки, детектор особых точек, дескриптор особых точек, повторяемость, цифровое рентгеновское изображение

DOI: 10.31857/S023500922002002X

Список литературы

  1. Бузмаков А.В., Асадчиков В.Е., Золотов Д.А., Рощин Б.С., Дымшиц Ю.М., Шишков В.А., Чукалина М.В., Ингачева А.С., Ичалова Д.Е., Кривоносов Ю.С., Дьячкова И.Г., Балцер М., Касселе М., Чилингарян С., Копманн А. Лабораторные микротомографы: конструкция и алгоритмы обработки данных. Кристаллография. 2018. Т. 63. № 6. С. 1007–1011.

  2. Бузмаков А.В., Асадчиков В.Е., Золотов Д.А., Чукалина М.В., Ингачева А.С., Кривоносов Ю.С. Лабораторные рентгеновские микротомографы: методы предобработки экспериментальных данных. Известия РАН. Серия Физическая. 2019. Т. 83. № 2. С. 194–197.

  3. Скорюкина Н.С., Миловзоров А.Н., Полевой Д.В., Арлазаров В.В. Метод распознавания объектов живописи в неконтролируемых условиях с обучением по одному примеру. Труды ИСА РАН. 2018. Т. 68. Спецвыпуск № S1. С. 5–14. https://doi.org/10.14357/20790279180501

  4. Чеканов М.О., Шипитько О.C., Ершов Е.И. Одноточечный RANSAC для оценки величины осевого вращения объекта по томографическим проекциям. Сенсорные системы. 2020. Т. 34. № 1. С. 72–86.

  5. Шемякина Ю., Жуковский А., Фараджев И. Исследование алгоритмов вычисления проективного преобразования в задаче наведения на планарный объект по особым точкам. Искусственный интеллект и принятие решений. 2017. № 1. С. 43–49.

  6. Agarwal S., Snavely N., Simon I., Seitz S.M., Szeliski R. Building rome in a day. Communications of the ACM. 2011. V. 54 (10). P. 105–112.

  7. Alcantarilla P.F., Bartoli A., Davison A.J. KAZE features. European Conference on Computer Vision. 2012. P. 214–227.

  8. Andersson O., Reyna Marquez S. A comparison of object detection algorithms using unmanipulated testing images: Comparing SIFT, KAZE, AKAZE and ORB. Degree Project in Computer Science. Stockholm. 2016.

  9. Bay H., Tuytelaars T., Van Gool L. Surf: Speeded up robust features. European conference on computer vision. 2006. P. 404–417.

  10. Bradski G., Kaehler A. The OpenCV Library. Dr. Dobb’s journal of software tools. 2000. V. 25 (11). P. 120–128.

  11. Haralick R.M., Shapiro L.G. Connected components labeling. Computer and robot vision. 1992. V. 1. P. 28–48.

  12. Hu J., Peng X., Fu C. A comparison of feature description algorithms. Optik. 2015. V. 126 (2). P. 274–278.

  13. Lecron F., Benjelloun M., Mahmoudi S. Descriptive image feature for object detection in medical images. International Conference Image Analysis and Recognition. 2012. P. 331–338.

  14. Lepetit V., Fua P. Keypoint recognition using randomized trees. IEEE transactions on pattern analysis and machine intelligence. 2006. V. 28 (9). P. 1465–1479.

  15. Leutenegger S., Chli M., Siegwart R. BRISK: Binary robust invariant scalable keypoints. 2011 IEEE international conference on computer vision (ICCV). 2011. P. 2548–2555.

  16. Lowe D.G. Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision. 2004. V. 60 (2). P. 91–110.

  17. Mery D., Svec E., Arias M., Riffo V., Saavedra J. M., Banerjee S. Modern computer vision techniques for x-ray testing in baggage inspection. IEEE Transactions on Systems, Man, and Cybernetics: Systems. 2016. V. 47. № 4. P. 682–692.

  18. Mikolajczyk K., Tuytelaars T., Schmid C., Zisserman A., Matas J., Schaffalitzky F., Kadir T., Van Gool L. A comparison of affine region detectors. International journal of computer vision. 2005. V. 65 (1–2). P. 43–72.

  19. Moradi M., Abolmaesoumi P., Mousavi P. Deformable registration using scale space keypoints. Medical Imaging 2006: Image Processing. – International Society for Optics and Photonics. 2006. V. 6144. P. 61442G.

  20. Rodríguez M., Facciolo G., von Gioi R.G., Musé P., Morel J.M., Delon J. Sift-aid: boosting sift with an affine invariant descriptor based on convolutional neural networks. IEEE International Conference on Image Processing. Institute of Electrical and Electronics Engineers. 2019. https://doi.org/10.1109/ICIP.2019.8803425.

  21. Rublee E., Rabaud V., Konolige K., Bradski G.R. ORB: An efficient alternative to SIFT or SURF. ICCV. 2011. V. 11. № 1. P. 2–12.

  22. Rosten E., Drummond T. Machine learning for high-speed corner detection. In European conference on computer vision. 2006. P. 430–443.

  23. Scaramuzza D. Performance evaluation of 1-point-RANSAC visual odometry. Journal of Field Robotics. 2011. V. 28 (5). P. 792–811.

  24. Shabanov A., Gladilin S., Shvets E. Optical-to-SAR Image Registration Using a Combination of CNN Descriptors and Cross-Correlation Coefficient. ICMV . 2020.

  25. Song Z., Klette R. Robustness of point feature detection. International Conference on Computer Analysis of Images and Patterns. 2013. P. 91–99.

Дополнительные материалы отсутствуют.