Superposition of the Similarity Images by Contour

Cover Page

Cite item

Full Text

Abstract

Superposition of the similarity images is implemented by the methodology with divided estimation of parameters. The offsets along the coordinate axes are estimated in the Cartesian coordinate system. The scale and the rotate are estimated in the log-polar coordinate system. The accurate estimation of parameters of similarity models (offsets, scale and rotate) is achieved by the iteration processing. Optimization of the processing time is achieved by contour comparison instead of the image comparison. The test data for experiment is image with the freight car. The decreasing of the processing time for the modified methodology of “contour comparison” was estimated by comparison with the source methodology of “image comparison”.

About the authors

R. R. Diyazitdinov

Povolzhskiy State University of Telecommunications and Informatics

Email: rinat.diyazitdinov@gmail.com
ORCID iD: 0000-0001-6360-0351

References

  1. Ke Y., Sukthankar R. PCA-SIFT: A more distinctive representation for local image descriptors // Computer Vision and Pattern Recognition. 2004. Vol. 2. PP. 506‒513. doi: 10.1109/CVPR.2004.1315206
  2. Bay H., Tuytelaars T., Van Gool L. Surf: Speeded up robust features // Proceedings of the 9th European Conference on Computer Vision (ECCV 2006, Graz, Austria, 7‒13 May 2006). Lecture Notes in Computer Science. Vol. 3951. Berlin, Heidelberg: Springer, 2006. PP. 404‒417. doi: 10.1007/11744023_32
  3. Сунгатуллина Д., Крылов А. Быстрый алгоритм совмещения контуров изображений, связанных изотропным аффинным преобразованием // GraphiCon. 2014. C. 92‒95. URL: https://www.graphicon.ru/html/2014/papers/92-95.pdf (дата обращения 11.05.2023)
  4. Новиков А.И., Саблина В.А., Горячев Е.О. Применение контурного анализа для совмещения изображений // Известия Тульского государственного университета. Технические науки. 2013. № 9-1. C. 260‒270.
  5. Елесина С.И., Ефимов А.И. Отбор критериальных функций для систем улучшенного и комбинированного видения // Известия Тульского государственного университета. Технические науки. 2013. № 9-1. C. 229‒236.
  6. Raguram R., Frahm J.M., Pollefeys M. A Comparative Analysis of RANSAC Techniques Leading to Adaptive Real-Time Random Sample Consensus // Proceedings of the 10th European Conference on Computer Vision (ECCV 2008, Marseille, France, 12‒18 October 2008). Lecture Notes in Computer Science. Vol. 5303. Berlin, Heidelberg: Springer, 2008. PP. 500‒513. doi: 10.1007/978-3-540-88688-4_37
  7. Создание бесшовного изображения. URL: https://wiki.gis-lab.info/w/Создание_бесшовного_изображения (дата обращения 31.03.2023)
  8. Диязитдинов Р.Р., Васин Н.Н. Итерационный алгоритм оценки смещения и угла поворота при влиянии аддитивной и мультипликативной помехи для пространственно-временного совмещения телевизионных сигналов // Труды учебных заведений связи. 2020. Т. 6. № 4. С. 28‒34. doi: 10.31854/1813-324X-2020-6-4-28-34
  9. Кузьмин С.В. Инвариантное к масштабу определение задержек между двумя одномерными цифровыми сигналами // Инфокоммуникационные технологии. 2011. Т. 9. № 2. C. 7‒10.
  10. Губанов А.В., Ефимов В.М., Киричук В.С., Пустовских А.И., Резник А.Л. Методы оценивания взаимного смещения фрагментов изображений // Автометрия. 1988. № 3. C. 70‒73.
  11. Мясников Е.В. Определение параметров геометрических трансформаций для совмещения портретных изображений // Компьютерная оптика. 2007. Т. 31. № 3. С. 77‒82.
  12. De Castro E., Morandi C. Registration of Translated and Rotated Images Using Finite Fourier Transforms // IEEE Transactions Pattern Analysis and Machine Intelligence. 1987. Vol. 9. Iss. 5. PP. 700‒703. doi: 10.1109/TPAMI.1987.4767966
  13. Reddy B.S., Chatterji B.N. An FFT-based technique for translation, rotation, and scale-invariant image registration // IEEE Transactions Pattern Analysis and Machine Intelligence. 1996. Vol. 5. Iss. 8. PP. 1266–1270. doi: 10.1109/83.506761
  14. Ефимов А.И., Новиков А.И. Алгоритм поэтапного уточнения проективного преобразования для совмещения изображений // Компьютерная оптика. 2016. Т. 40. № 2. С. 258‒265. doi: 10.18287/2412-6179-2016-40-2-258-265
  15. Canny J.F. A Computational Approach To Edge Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1986. Vol. 8(6). PP. 679–698. doi: 10.1109/TPAMI.1986.4767851
  16. Диязитдинов Р.Р., Васин Н.Н. Использование фрагментов телевизионного изображения системы технического зрения для верификации повышения помехоустойчивости измерений скорости протяженного объекта // Труды учебных заведений связи. 2022. Т. 8. № 1. С. 34‒40. doi: 10.31854/1813-324X-2022-8-1-34-40

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».