G-YZMÖ: Gürbüz Yerel Zernike Moment Tabanlı Özellikler

Abstract

Bu tez çalışmasında, özgün bir döndürme ve ötelemeye değişimsiz Yerel Zernike Moment (YZM) tabanlı ilgi noktası saptama algoritması sunulmaktadır. Sunulan bu algoritma Yerel Zernike Moment tabanlı Özellikler (YZMÖ) olarak isimlendirilmiştir. Aynı çalışmada, YZMÖ, ölçek değişimsiz karakteristiğe sahip olması için ölçek-uzayında imge piramidi oluşturmak suretiyle genişletilmiştir. Sonuçta elde edilen ilgi noktası saptayıcı ölçek, döndürme ve ötelemeye değişimsiz olmakla birlikte arkaplan karışıklığına ve engellere karşı sağlam bir karakteristik göstermektedir. Elde edilen bu ilgi noktası saptayıcı Gürbüz Yerel Zernike Moment tabanlı Özellikler (G-YZMÖ) olarak isimlendirilmiştir. G-YZMÖ, köşe tabanlı bir ilgi noktası saptayıcıdır ve uzamsal-uzayda köşeleri saptamak için YZM'leri evrişimsel işleçler şeklinde kullanır. Bu sayede, köşe noktalarının yapılarını başarılı bir şekilde ortaya çıkarmak için Zernike momentleri imge piksellerine yerel olarak uygulanarak bu momentlerin betimlemesel gücünden faydalanılmış olunur. Önerilen ilgi noktası saptama algoritmaları olan YZMÖ ve G-YZMÖ için performans ölçümü Inria veri kümesi üzerinde yinelenebilirlik skoru kullanılarak gerçekleştirilmiştir. Yinelenebilirlik skoru, ilgi noktası saptayıcısının başarımını ölçmek için kullanılan temel kriterdir. Sunulan ilgi noktası saptama algoritmalarının Inria veri kümesinde elde edilen yinelenebilirlik skorları iyi bilinen ilgi noktası saptayıcılar ile karşılaştırılmıştır. Bu kapsamda; YZMÖ için Harris, SIFT, SURF, CenSurE, BRISK ve G-YZMÖ için SIFT, SURF, CenSurE, ORB, BRISK ilgi noktası saptayıcıları ile performans karşılaştırması amacıyla çalışılmıştır. Inria veri kümesindeki "Rotation", "Zoom" ve "Zoom&Rotation" imge dizileri ile elde edilen sonuçlar, YZMÖ ve G-YZMÖ ilgi noktası saptayıcılarının karşılaştırıldıkları neredeyse bütün ilgi noktası saptayıcılara yinelenebilirlik skoru bakımından üstünlük sağladığını göstermektedir. Sunulan algoritmaların ayırt edicilikleri bakımından performansları ise üretilen sentetik ve gerçek test resimlerindeki köşe noktalarının saptanmasındaki başarım ile gösterilmektedir.

In this thesis, a novel rotation and translation invariant local Zernike moment based interest point detection algorithm is presented and named as Local Zernike Moment based Features (LZMF). LZMF is then extended to have scale-invariant characteristic by constructing image pyramid in scale-space. Final detector is scale, rotation and translation invariant, and also robust to background clutter and occlusion. This final detector is named as Robust Local Zernike Moment based Features or R-LZMF shortly. R-LZMF is a corner based interest point detector and uses local Zernike moments as convolutional operators in order to detect corners in spatial-space. In this way, descriptive power of Zernike moments is utilized in local sense by applying them to the image pixels and thus structure of corners can be successfully exposed. Performance of proposed interest point detection algorithms, LZMF and R-LZMF, are evaluated on the Inria Dataset by using repeatability score, which is the main criterion for detector accuracy, and the performance of proposed algorithms is compared to well known interest point detectors such as Harris, SIFT, SURF, CenSurE, BRISK for LZMF and SIFT, SURF, CenSurE, ORB, BRISK for R-LZMF. Evaluation results on "Rotation", "Zoom" and "Zoom&Rotation" sequences of the Inria Dataset show that LZMF and R-LZMF outperform almost all interest point detectors to be compared in terms of repeatability score. Distinctiveness performance of LZMF and R-LZMF are also presented by applying the detectors on to the synthetic and real images that contain corner points.