مقالات ترجمه شده دانشگاهی ایران

همسویی اتوماتیک مجموعه نقشه های محدوده

همسویی اتوماتیک مجموعه نقشه های محدوده

همسویی اتوماتیک مجموعه نقشه های محدوده – ایران ترجمه – Irantarjomeh

 

مقالات ترجمه شده آماده گروه کامپیوتر
مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات

چگونگی سفارش مقاله

الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.

قیمت

قیمت این مقاله: 58000 تومان (ایران ترجمه - Irantarjomeh)

توضیح

بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.

مقالات ترجمه شده کامپیوتر - ایران ترجمه - irantarjomeh

www.irantarjomeh.com

شماره      
۱۷۱
کد مقاله
COM171
مترجم
گروه مترجمین ایران ترجمه – irantarjomeh
نام فارسی
همسویی سریع و ساده اتوماتیک مجموعه بزرگی از نقشه های محدوده
نام انگلیسی
Fast and simple automatic alignment of large sets of range maps
تعداد صفحه به فارسی
۵۰
تعداد صفحه به انگلیسی
۱۱
کلمات کلیدی به فارسی
ثبت نقشه های محدوده, پویش سه بعدی, ثبت اتوماتیک
کلمات کلیدی به انگلیسی
Range maps registration, 3D scanning, Automatic registration
مرجع به فارسی
کامپیوتر و گرافیک
لابراتوار رایانش بصری، موروزی، ایتالیا، الزویر
مرجع به انگلیسی
Computers & Graphics; Visual Computing Laboratory, Pisa (PI), Italy; Elsevier
کشور
ایتالیا

همسویی سریع و ساده اتوماتیک مجموعه بزرگی از نقشه های محدوده

چکیده
در این مقاله ما جهت ثبت اتوماتیک تعداد زیادی از نقشه های محدوده نوعی الگوریتم بسیار سریع با قابلیت پیاده سازی آسان را ارائه می نماییم. الگوریتم پیشنهادی از یک توصیف گر متراکم و  سازگار با ـ GPU استفاده می کند که مخصوصاً برای همسویی یا همترازی با این نوع از داده ها طراحی شده است. این  الگوریتم ثبت بصورت دو به دو، که همچنین شامل یک مکانیسم ساده جهت اجتناب از مثبت کاذب می باشد، به عنوان بخشی از سیستمی به شمار می آید که قابلیت همسویی یک توالی خاص مشتمل بر صدها نقشه محدوده ظرف چندین دقیقه را خواهد داشت. به منظور کاهش تعداد جفت ها و همسویی آنها در مورد نقشه های محدوده غیرمنظم، ما از یک استراتژی اولویت بندی بر مبنای رایانش سریع همبستگی بین نقشه های محدوده مبتنی بر- FFT استفاده نمودیم. سیستم پیشنهادی نیازی به استفاده از هیچگونه ورودی کاربر نداشته و به صورت موفقی بر روی تعداد متنوع و بزرگی از مجموعه های اطلاعاتی که از مؤلفه های اکتسابی حقیقی حاصل آمده اند مورد آزمایش قرار گرفته است.

کلمات کلیدی: ثبت نقشه های محدوده، پویش سه بعدی، ثبت اتوماتیک

همسویی اتوماتیک مجموعه نقشه های محدوده

 

۱- مقدمه
اولین مرحله فرایند اکتساب موضوعات سه بعدی با استفاده از پویش سه بعدی تحصیل برخی از ابزارهای مناسب نظیر اسکنر لیزری، نقشه های محدوده متعدد متشکل از نماهای مختلف به منظور حاصل آوردن یک پوشش کامل برای موضوع تحت بررسی می باشد. پس از اکتساب داده ها، نقشه های محدوده را می بایست همسو سازی و ترکیب نمود تا قابلیت حاصل آوردن سطح نهایی مورد نیاز وجود داشته باشد. به منظور انجام فرایند همسو سازی، نقشه های محدوده می بایست حداقل از یک همپوشانی نسبی بر روی ناحیه نمونه برداری شده برخوردار باشند. به واسطه ویژگی های شکلی و خصیصه های مرتبط با بازتاب ماده، لازم است تا فرآیند تصویربرداری و کسب داده ها یک ناحیه سطحی برای دفعات متعدد و از نماهای مختلف اعمال شود، به گونه ای که قابلیت نمونه برداری کامل کلیه بخش های مختلف این سطوح به وجود آید. به همین دلیل، و مخصوصاً با توجه به وجود موضوعات بزرگ، بسیاری از نقشه های محدوده می بایست قابلیت تحت پوشش قرار دادن کامل سطح موضوعی را داشته باشند.
در اینجا، ما راه حل جدیدی را جهت حاصل آوردن فرایند ثبت اولیه در زمان کوتاه حتی برای مجموعه های داده ای بزرگ ارائه می نماییم. الگوریتم ما بر مبنای توصیف گر ویژگی های مناسب ـ GPU می باشد که اجازه همسویی اتوماتیک جفتی از نقشه های محدوده ظرف ۲۰۰ الی ۵۰۰ میلی ثانیه را می دهد، که این مورد خود فراتر از حد عملکرد وضعیت موجود راه حل های ارائه شده نوین می باشد. به منظور اجتناب از مثبت های کاذب، آزمایش پایایی پس از هر همسویی جفتی انجام می گردد. با وجود آنکه در راهکارهای متعارف نقشه های محدوده که در کنار یکدیگر واقع شده اند دارای یک حالت همپوشانی می باشند، ما نوعی الگوریتم اولویت بندی ساده بر مبنای محاسبات FFT را عرضه می نماییم آن هم برای زمانی که چنین فرضیه ای را نتوان اعمال داشت. این اولویت به ما اجازه برنامه ریزی جفت های نقشه های محدوده به منظور همسویی آنها و کاهش قابل توجه زمان کلی را خواهد داد. نتیجه یک سیستم اتوماتیک برای همسویی تعداد بسیار زیادی از نقشه های محدوده می باشد که بر مبنای ویژگی های ذیل توصیف شده اند:
  • سرعت: الگوریتم GPU ـ مبنای ما اجازه همسویی دو نقشه محدوده در حدود ۲۰۰ الی ۵۰۰ میلی ثانیه با استفاده از یک مدار گرافیکی خاص را می دهد.
  • کارایی: این سیستم بر روی چندین مجموعه اطلاعاتی حقیقی متشکل از تعداد زیادی از نقشه های محدوده مورد آزمایش قرار گرفته و نتایج بسیار خوبی حاصل آمده اند.
  • توانمندی و دقت: نتایج مثبت کاذب بسیار نادر هستند. همسویی خروجی این سیستم برای مرحله ثبت دقیق مدنظر می باشد.

همسویی اتوماتیک مجموعه نقشه های محدوده

 

۲- تحقیقات مرتبط
چندین روش جهت حل مشکل ثبت اتوماتیک نقشه های محدوده در این مبحث ارائه شده است. در اینجا ما روشی که دارای نزدیکترین ارتباط با رویکرد ما است را مورد بررسی قرار می دهیم.
الگوریتم های مرتبط با ثبت اولیه را می توان به دو کلاس عمده تقسیم کرد. اولین کلاس شامل روش هایی می باشد که از توصیف گرهای ویژگی محلی جهت یافتن جفت های نقاط متناظر نقشه های محدوده استفاده می نماید. این روش ها به طور کلی معرف نرخ همگرایی خوبی هستند، اما در عین حال دارای هزینه محاسباتی بالایی می باشند. یکی از اولین روش های این نوع شامل تصاویر اسپین می باشد، که به وسیله Johnson و Hebert [5] ارائه شده است. یک نقشه اسپین با استفاده از نقاط جهت دار ایجاد می گردد و به عنوان یک هیستوگرام دو بعدی سطح در اطراف یک نقطه محسوب می شود. نقاطی که متعلق به نماهای مختلف این مدل می باشند و دارای تصویر اسپین مشابهی هستند به عنوان نقاط منطبق خوانده می شوند. در [۶] Li و Guskov روشی را بر مبنای تشخیص مجموعه ای از نقاط ویژگی آشکار با استفاده از شاخص مقیاس ـ فضا بر مبنای ترکیب تبدیل کسینوسی گسسته و تبدیل فوریه گسسته محلی ارائه دادند. Bonarrigo و همکاران [۳] نیز مبحثی را با توجه به جفت های متناظر نقاط به صورت انتخابی با توجه به رویکرد چند مقیاسی ارائه نموده اند. به هنگامی که ویژگی های مربوطه استخراج شده اند، مناسبترین و مطمئن ترین موارد متناظر تطبیق داده می شوند. ارزیابی اخیر این الگوریتم [۷] در قیاس با سیستم پیشنهادی در بخش ۷ اعمال شده است. Pingi و همکاران در مرجع [۸] روشی را جهت مدیریت مجموعه های پویش پیچیده بر حسب پویشگر عادی الگوهای مرتبط ارائه داده اند. این روش شامل یکسری از توالی پویشی جهت تعریف یک گراف مجاور اولیه می باشد. تطبیق نقاط بر مبنای یک هسته توصیف شکل جدید می باشد که بر روی ویژگی های نرمال سطحی نقاط مجاور تمرکز دارد. Chen و Stamos [9] راه حلی را بر مبنای تشخیص و تطبیق ویژگی های مدور ارائه داده اند که به نظر برای مجموعه های  اطلاعاتی دارای مقیاس بزرگ ساختارهای شهری متناسب می باشند. King و همکاران [۱۰] نیز روشی را بر مبنای تشخیص و تطبیق نقاط کلیدی در تصاویر محدوده و تصاویر شدت عرضه داشتند. این رویکرد از تصاویر اسپین جهت توصیف سوراخ ها در سطوح یکنواخت (نقاط کلیدی محدوده) و هیستوگرام گرادیان شدت جهت تشخیص نقاط کلیدی شدت استفاده می نماید.

همسویی اتوماتیک مجموعه نقشه های محدوده

 

۳- رویکرد ما
سیستم پیشنهادی در شکل ۱ ارائه شده است. با توجه به مجموعه R = {R1, R2, …, RN} نقشه های محدوده ورودی، هر کدام از آنها مجدداً مورد نمونه برداری قرار گرفته و FFT متناظر آن محاسبه شد. عملیات نمونه برداری مجدد بسیار مهم می باشد و دو هدف را دنبال می نماید. اولین مورد، چنین مؤلفه ای جهت مشخص سازی نقشه های محدوده در یک به توان دو که مورد نیاز جهت محاسبه FFT به صورت کارآمد می باشد. دوماً، به منظور حاصل آوردن ناوردایی مقیاسی توصیف گر، این نمونه گیری مجدد به ما اجازه ارزیابی FFT در ناحیه دارای اندازه فیزیکی برابر را خواهد داد. در حقیقت، نمونه برداری مجدد به روشی انجام می گردد تا قابلیت نرمال سازی کلیه نقشه های محدوده با میانگین فاصله نمونه های عمق در این مجموعه به وجود آید (با ارزیابی تحت شرایط مستثنی سازی کرانه های نقشه های محدوده و عدم پیوستگی عمق).
FFT نیز به وسیله مرحله اولویت بندی بکار گرفته می شود، که در آن اقدام به محاسبه ترتیب انطباق می گردد، یعنی ترتیب سیستمی در ارتباط با مشخص سازی همترازی جفتی در نقشه های محدوده ورودی (Ri, Ri) حاصل نمی گردد. قبل از پذیرش نتیجه همترازی جفت، کنترل های بلوک اعتبارسنجی، با استفاده از برخی از مؤلفه های تکراری و تکنیک های GPU ـ مبنای اقتضایی اعمال می گردد، آن هم در صورتی که نتیجه این همسویی یا همترازی به صورت صحیح باشد یا آنکه به صورت مثبت کاذب در نظر گرفته شود. در مرحله بعدی، ما مراحل پردازش مختلف سیستم را مشخص می سازیم. کلیه این مراحل در GPU اعمال می گردند، به استثنای محاسبه FFT، که برای آن ما از کتابخانه FFTW [16]، و بخش های غیراصلی الگوریتم ثبت جفتی استفاده نموده ایم.

همسویی اتوماتیک مجموعه نقشه های محدوده

 

۴- ترتیب تطبیقی
در مورد کلی، ما اطلاع قبلی در خصوص این موضوع که کدام نقشه های محدوده دارای همپوشانی هستند و قابلیت همسویی و همترازی را خواهند داشت نداریم. بنابراین، مجموعه N نقشه محدوده مورد نیاز خواهد بود یعنی N(N–۱)/۲ تا آنکه به طور کامل قابلیت تحت پوشش دادن جفت های محتمل وجود داشته باشد. در اینجا، ما به طور قابل توجه اقدام به کاهش این تعداد از طریق دنبال نمودن استراتژی مربوطه با توجه به معیار مشابهت کلی می نماییم.

همسویی اتوماتیک مجموعه نقشه های محدوده

 

۵- بررسی گراف
پس از محاسبه S، ما اقدام به ارتباط یک گراف با آن نموده و متعاقباً نسبت به بازدید از آن گراف جهت تطبیق مجموعه کل داده ها اقدام نمودیم.
شاخص گراف ماتریس مشابهت متشکل از یک گره برای هر ردیف (یا ستون، به واسطه آنکه S به صورت متقارن می باشد) و یک قوس وزن دار E(i, j) برای هر ورودی S(i, j) می باشد. در این شاخص، جهت تطبیق مجموعه اطلاعاتی می بایست اقدام به یافتن یک درخت پوشا نمود، یعنی مجموعه ای از قوس های E¢ = {(i, j)ïi به صورت همتراز شده با j} به گونه ای که گراف متصل گردد. چنین موردی از طریق بررسی قوس های E(i, j) به صورت ترتیبی اعمال می شود. برای هر قوس بازدید شده، ما سعی در انجام راهکار همترازی تنها در صورتی می نماییم که دو گره آخری قبلاً در یک جزء متصل یکسان قرار نگرفته باشند.

همسویی اتوماتیک مجموعه نقشه های محدوده

 

۶- الگوریتم ثبت جفتی
با توجه به دو نقشه محدوده همپوشان نسبی P و Q، الگوریتم ثبت ما را می توان به شرح ذیل خلاصه نمود:
کلیه این مراحل اصلی الگوریتم بر روی GPU محاسبه شده اند. به منظور فراهم آوردن توصیفی آشکار در خصوص این الگوریتم، ما می بایست در ابتدا اقدام به تعریف یک توصیف گر D نماییم. نقشه های محدوده ورودی به عنوان فیلدهای دو بعدی نمونه برداری شده که قابلیت تعریف کلی برای یک نقطه p، به عنوان یک ناحیه عادی از نمونه های مجاور شکل یافته بر مبنای m × m پیکسل مجاور را خواهد داد. بر این مبنا ما از یک توصیف گر به عنوان ماتریسی استفاده می نماییم که در آن هر جزء dij Î D به وسیله ضرب نقطه ای بین ویژگی نرمال p و نرمال pij حاصل می شود. در ارتباط با فرایند پیاده سازی این توصیف گر، ما یک ناحیه متشکل از ۲۵ × ۲۵ نمونه را در نظر می گیریم که متناظر با یک مساحت فیزیکی اندازه ثابت می باشد که بر حسب عملیاتی نمونه برداری با توجه به هر نقشه محدوده مشخص شده است. جهت ارتقای کارایی در مقایسه بین توصیف گرها، ما نسبت به مقایسه پیکسل های مجاور فرد اقدام می نماییم که سبب کاهش دسترسی بافتی به ۱۶۸ مورد (۱۳ . ۱۳-۱) می گردد. چنین موردی سبب وجه المصالحه توان افتراق پذیری این توصیف گر نخواهد شد، چرا که غالباً نرمال ها دارای تنوع اندکی بر روی سطح می باشند. این توصیف گر به عنوان یک ناوردا در ارتباط با دوران های اطراف مسیر نمای ابزار پویشی به حساب نمی آید. این مورد را نمی توان به عنوان نقص اصلی در نظر گرفت چرا که نقشه های محدوده عمدتاً با توجه به عدم وجود دوران ها یا دوران های کوچک ابزار با توجه به محور نگرشی آن حاصل می شوند. به طور کلی، همانگونه که در بخش ۷ مشاهده خواهد شد، علیرغم سادگی آن، این توصیف گر نسبتاً استوار می باشد.
۶ـ۱٫ اعتبارسنجی
به منظور اجتناب از مثبت کاذب، پس از محاسبه ماتریس انتقال M برای یک جفت ما از آزمایش توصیف شده در مرجع [۱۹] جهت کنترل این موضوع استفاده می نماییم که آیا  دو نقشه محدوده به یک روش معنی دار دارای هم پوشانی می باشند یا خیر. چنین موردی از طریق بررسی ویژگی های رستری خط لوله انجام می شود. ایده کلیدی آن است که در صورت همترازی دو نقشه محدوده، رندر نمودن آنها قابلیت ایجاد تقریباً نتیجه یکسانی را بر روی صفحه نمایش (در ناحیه همپوشان) داشته باشد.

همسویی اتوماتیک مجموعه نقشه های محدوده

 

۷- نتایج
سیستم پیشنهادی بر روی مجموعه های اطلاعاتی واقعی نقشه های محدوده متعدد مورد آزمایش قرار گرفت. کلیه مجموعه های اطلاعاتی از طریق استفاده از فرایند مثلثی سازی با بکارگیری سیستم لیزری کنیکامینولتا ۹۱۰ در چندین دوره حاصل آمدند. توصیف مختصری از هر کدام از این مجموعه های اطلاعاتی به شرح ذیل ارائه شده است:
Urn: این مجموعه اطلاعاتی متشکل از ۱۷ نقشه محدوده می باشد. چنین موردی جهت نشان دادن فرایند مرحله به مرحله در طی این مقاله مدنظر است. این ویژگی در حقیقت ساده می باشد چرا که حرکت نسبی بین نقشه های محدوده عمدتاً به صورت انتقالی است.
Gargoyle1: این مجموعه اطلاعاتی در ارتباط با یک موضوع آزمایشی کوچک، یک تصویر مرتبط، متشکل از ۲۷ نقشه محدوده می باشد.
Gargoyle2: چنین موردی را می توان به عنوان نگارش دیگری از تصویر مشخص شده با نمونه برداری متراکم تر در نظر داشت، یعنی ۷۸ نقشه محدوده به جای ۲۷ مورد.
۷ـ۱٫ تأثیر مراحل پردازشی
ما نتایج جزئیات بر حسب خروجی و زمانبندی هر مرحله مرتبط با این الگوریتم را مشخص ساخته ایم. این آزمایشات بر روی یک کامپیوتر شخصی مجهز به یک پردازنده اینتل i7 هسته ای CPU (4/3 گیگاهرتز)، رم ۲۴ گیگابایت و کارت گرافیکی GTX 760 NVidia انجام شده اند.
۷ـ۱ـ۱٫ مرحله اولویت بندی و استراتژی بررسی و بازدید
چهارمین، پنجمین و ششمین ستون به ما اجازه درک تأثیر و عملکرد مرحله اولویت بندی و مشخصات استراتژی بررسی و بازدید انتخابی را خواهد داد. ستون چهارم این جدول نشان دهنده تعداد قوس های مورد بازدید در طی کل فرایند پردازشی می باشد. درصد به صورت مرتبط با مجموع کل قوس های بالقوه برای بازدید (یعنی (N(N-1)/2) مدنظر خواهد بود. به طور مشهود، در صورتی که سیستم قابلیت همترازی کلیه نقشه های محدوده مشخص شده در یک گروه واحد را نداشته باشد، این بدان معنا خواهد بود که ۱۰۰% قوس ها (کلیه جفت ها) صرفنظر از مقدار مقادیر مشابهت در مقایسه با مرحله اولویت بندی مورد بررسی و بازدید قرار گرفته اند.
۷ـ۱ـ۲٫ ارزیابی برآورد مشابهت
در بخش قبلی ما برخی از نتایج در خصوص عملکرد نظم تطبیقی فراهم آمده به وسیله مرحله اولویت بندی با یکدیگر همراه با استراتژی بازدید اعمال شده را مورد بررسی قرار دادیم. به منظور دسترسی بهتر در ارتباط با عملکرد برآورد مشابهت بکار گرفته شده و بنابراین عملکرد مرحله اولویت بندی با توجه به بقیه راهکار مشخص شده، ما در اینجا یک تحلیل اولیه در خصوص میزان تناسب برآورد مشابهت پیشنهادی برای وظیفه یافتن یک نظم تطبیقی مناسب بین نقشه های محدوده نامنظم را ارائه می نماییم.
۷ـ۱ـ۳٫ ثبت جفتی
الگوریتم ثبت جفتی پیشنهادی بسیار سریع می باشد. همانگونه که در ستون هفتم جدول مشخص شده است، محدوده های زمانی جفتی از ۱۵۰ میلی ثانیه Gargoyle به ۶۷۴ میلی ثانیه Bas-relief 5 متغیر می باشد، که مشخص کننده یک زمان میانگین برای کلیه مجموعه های اطلاعاتی در حدود ۴۸۰ میلی ثانیه است. مرحله اعتبارسنجی در این زمان شامل شده است، و این مورد عمدتاً به عنوان کسر کوچکی از زمان ثبت جفتی به شمار می آید. بر مبنای نتایج حاصله، عملیات اعتبارسنجی بسیار استوار بوده و به ما اجازه اجتناب از حاصل آوردن مثبت های کاذب را خواهد داد.
۷ـ۱ـ۴٫ فرض ترتیبی
همانگونه که به وسیله نتایج تجربی گزارش شده مشخص شده است، مرحله اولویت بندی قابلیت صرفه جویی مقدار کار قابل توجهی را فراهم می سازد. به منظور ارتقای متعاقب عمکلرد سیستمی، ما اقدام به پیاده سازی یک نگارش مشخص نمودیم که در آن ماتریس مشابهت تعدیل گردیده و اینگونه فرض می شود که دو تصویر به صورت ترتیبی با احتمال بالا و به صورت همپوشان حاصل آمده اند. به عبارت دیگر، نقشه های محدوده ترتیبی به عنوان کاندید خوبی برای حاصل آوردن تطابق به شمار می آیند. ما این مورد را به عنوان فرض ترتیبی می خوانیم. متعاقباً برای هر نقشه محدوده ما اقدام به تست قوس (i, i-1) و (i, i+1) مرتبط با S قبل از موارد دیگر می نماییم. ما دریافتیم که این نمونه ساده و متغیر به ما اجازه کاهش تعداد همترازی های جفتی انجام شده به وسیله سیستم را خواهد داد و بنابراین مجموع زمان پردازش کاهش می یابد. ستون آخر نشان دهنده مجموع زمان پردازش برای پیاده سازی این مورد است. در برخی از موارد، عملکرد کاملاً ارتقا می یابد. در مقابل، هیچگونه بهره عملکرد معنی داری برای برخی از مجموعه های اطلاعاتی مشخص نشده است، به طور مثال برای ستون ۱، چرا که تقریباً کلیه جفت ها برای حاصل آمدن نتیجه نهایی مورد آزمایش قرار گرفته اند.
۷ـ۱ـ۵٫ عملکرد کلی
زمان کلی پردازش گزارش شده مشخص کننده آن است که چنین سیستمی قابلیت کار با مجموعه های اطلاعاتی بزرگ در یک زمان منطقی را خواهد داشت و این موضوع به حساب می آید که چنین سیستمی از دانش جفتی در خصوص مجموعه اطلاعاتی استفاده ننموده و در مقابل چنین مؤلفه ای در یک حالت اتوماتیک کامل و راهکاری غیرکنترل شده عمل می نماید.
۷ـ۲٫ مقایسه و مباحث
تا آنجایی که اطلاع داریم، سریعترین روش ثبت اولیه نقشه های محدوده روشی است که به وسیله Bonarrigo و همکاران [۳] پیشنهاد شده است که اقدام به ارتقا و پیاده سازی آن در PGU در طی پیشرفت این تحقیق گردیده است [۷]. بنابراین، ما نسبت به مقایسه سیستم خود با موارد بعدی (با توجه به BPS2013) اقدام می نماییم. BPS2013 بر مبنای ایجاد مجموعه های اطلاعاتی متشکل از ویژگی های خاص می باشد که می توان آن را به عنوان یک گونه تعمیم یافته از Lowes SIFT [20] برای داده های محدوده سه بعدی در نظر گرفت. این مجموعه های داده جهت یافتن نقشه های محدوده به منظور همسویی یا همترازی آنها بکار گرفته می شوند. به هنگامی که یک نقشه محدوده به عنوان ورودی وارد شد، مشابه ترین نقشه های محدوده از مجموعه اطلاعاتی فرا خوانده شده و متعاقباً یک الگوریتم ثبت اولیه چند نمایی بر روی نقشه های محدوده اعمال می شود. ثبت چند نمایی بر مبنای تطبیق توصیف گرهای مرتبط با نقاط کلیدی حاصله قبلی می باشد. توصیف گر ناوردای ـ دورانی بر مبنای ویژگی های نرمال و معمولی است. این سیستم در شبکه های مرتبط قرار گرفته است و ویژگی های ناوردای دورانی آن نیز بر مبنای همترازی مقادیر حداکثری این شبکه حاصل می شود. نتایج مقایسه مرتبط با این موضوع در جدول ۳ خلاصه شده است.
۷ـ۳٫ کیفیت
به منظور ارزیابی کیفیت نتایج حاصله، ما اقدام به اجرای یک الگوریتم نزدیکترین ـ نقطه ـ تکراری (ICP) [1] در خروجی سیستم خود نمودیم. در صورتی که همترازی محاسبه شده دارای کفایت نزدیکی با یک مورد مناسب باشد، ما انتظار خواهیم داشت که پوشش نقشه های محدوده برای سطح حقیقی کفایت داشته باشد. در مورد ما چنین همگرایی بسیار سریع حاصل می شود (۱ـ۲ تکرار در هر بار رویه اجرایی استفاده شده [۲۱]). همانگونه که در شکل ۱۱ نشان داده شده است، نقشه های محدوده همسو شده نهایی دارای کیفیت بسیار خوبی هستند همانگونه که از طریق بررسی جزئیات نقشه های محدوده که دارای همسویی یا همترازی کاملی پس از ICP گردیده اند قابل مشاهده می باشد. رنگ کاذب بکار گرفته شده به ما در زمینه تشخیص نقشه های محدوده مختلف کمک نموده و به علاوه ارزیابی بصری همترازی مورد نظر را نیز بهتر می سازد. به علاوه در نظر بگیرید که می بایست در این زمینه قدردان مرحله اعتبارسنجی بود، خروجی سیستم به صورت نادرست ارائه دهنده نقشه های محدوده همسو نخواهد بود.
۷ـ۴٫ محدودیت
سیستم پیشنهادی از دو محدودیت در رنج می باشند. اولین مورد در ارتباط با الگوریتم ثبت جفتی است. ابزارهای اکتساب داده ها به نظر دارای چرخش نسبتاً اندکی در حول محور z می باشد، چرا که توصیف گر پیشنهادی به صورت نامتغیر در برابر این نوع از دوران مدنظر نبوده است. محدودیت دومی در ارتباط با مرحله اولویت بندی می باشد که مرتبط با این حقیقت خواهد بود که در صورتی که حرکت ابزارها بسیار زیاد باشند به گونه ای که نقطه های نمایی تفاوت بسیاری را داشته باشند، همبستگی قابلیت فراهم آوردن یک رتبه مرتب تطبیقی را نخواهد داشت. چنین موردی سبب تأثیر بر روی نتیجه نهایی همسویی ندارد اما ممکن است به صورت منفی بر روی زمان پردازش تأثیرگذار باشد. علیرغم این دو محدودیت ما این نکته را در نظر می گیریم که در یک خط لوله پویشی واقعی، این شرایط کاملاً نادر می باشند. در حقیقت، غالباً اکتساب سطح موضوع دارای نوعی رسانه کوچک به صورت متراکم در نظر بوده و پویشگر صرفاً دارای دوران در حول محور z به منظور حاصل آوردن ویژگی ها و برش های کاملاً خاص در این زمینه است.

همسویی اتوماتیک مجموعه نقشه های محدوده

 

۸- نتیجه گیری
در این تحقیق ما نوعی سیستم سازگار ـ GPU با پیاده سازی آسان با قابلیت همترازی یا همسویی بسیاری از نقشه های محدوده در کوتاه مدت را ارائه نمودیم. ما نشان دادیم که حتی با توجه به ویژگی های ساده و محدودیت های مشخص، سیستم پیشنهادی قابلیت ارائه کیفیت بسیار بالا بر روی داده های حقیقی که از مؤلفه های اکتسابی حقیقی حاصل آمده اند را خواهد داشت. به علاوه، مرحله اعتبارسنجی پیشنهادی نیز کاملاً از قابلیت بالایی جهت اجتناب از تولید همترازی های اشتباه برخوردار می باشد. در آینده نزدیک، این سیستم به عنوان یک افزونه Meshlab در دسترس عموم قرار خواهد گرفت [۲۱]. چالش بعدی در ارتباط با گسترش سیستم با توجه به ارائه یک توصیف گر ناوردای ـ با قابلیت دوران سریع می باشد. طراحی و آزمایش سیستم های سنجشی مختلف، به طور مثال موارد دیگری که در فرایند یکپارچه سازی تصاویر قابل کاربرد هستند، به منظور ارتقای مرحله اولویت بندی، نیز از جمله موارد متنوع دیگری می باشند که در تحقیقات آتی به آنها پرداخته خواهد شد.

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Irantarjomeh
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.