• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Geodezja i Kartografia >A CNN based Hybrid approach towards automatic image registration
【24h】

A CNN based Hybrid approach towards automatic image registration

机译：基于CNN的自动图像配准混合方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Image registration is a key component of various image processing operations which involve the analysis of different image data sets. Automatic image registration domains have witnessed the application of many intelligent methodologies over the past decade; however inability to properly model object shape as well as contextual information had limited the attainable accuracy. In this paper, we propose a framework for accurate feature shape modeling and adaptive resampling using advanced techniques such as Vector Machines, Cellular Neural Network (CNN), SIFT, coreset, and Cellular Automata. CNN has found to be effective in improving feature matching as well as resampling stages of registration and complexity of the approach has been considerably reduced using corset optimization The salient features of this work are cellular neural network approach based SIFT feature point optimisation, adaptive resampling and intelligent object modelling. Developed methodology has been compared with contemporary methods using different statistical measures. Investigations over various satellite images revealed that considerable success was achieved with the approach. System has dynamically used spectral and spatial information for representing contextual knowledge using CNN-prolog approach. Methodology also illustrated to be effective in providing intelligent interpretation and adaptive resampling.%Rejestracja obrazu jest kluczowym składnikiem różnych operacji jego przetwarzania. W ostatnich latach do automatycznej rejestracji obrazu wykorzystuje się metody sztucznej inteligencji, których największą wadą, obniżającą dokładność uzyskanych wyników jest brak możliwości dobrego wymodelowania kształtu i informacji kontekstowych. W niniejszej pracy zaproponowano zasady dokładnego modelowania kształtu oraz adaptacyjnego resamplingu z wykorzystaniem zaawansowanych technik, takich jak Vector Machines (VM), komórkowa sieć neuronowa (CNN), przesiewanie (SIFT), Coreset i automaty komórkowe. Stwierdzono, że za pomocą CNN można skutecznie poprawiać dopasowanie obiektów obrazowych oraz resampling kolejnych kroków rejestracji, zaś zastosowanie optymalizacji metodą Coreset znacznie redukuje złożoność podejścia. Zasadniczym przedmiotem pracy są: optymalizacja punktów metodą SIFT oparta na podejściu CNN, adaptacyjny resampling oraz inteligentne modelowanie obiektów. Opracowana metoda została porównana ze współcześnie stosowanymi metodami wykorzystującymi różne miary statystyczne. Badania nad różnymi obrazami satelitarnymi wykazały, że stosując opracowane podejście osiągnięto bardzo dobre wyniki. System stosując podejście CNN-prolog dynamicznie wykorzystuje informacje spektralne i przestrzenne dla reprezentacji wiedzy kontekstowej. Metoda okazała się również skuteczna w dostarczaniu inteligentnych interpretacji i w adaptacyjnym resamplingu.
机译：图像配准是涉及分析不同图像数据集的各种图像处理操作的关键组成部分。在过去的十年中，自动图像注册领域见证了许多智能方法的应用。但是，无法正确建模对象形状以及上下文信息的模型限制了可达到的准确性。在本文中，我们提出了一个使用先进技术（例如矢量机，细胞神经网络（CNN），SIFT，核集和细胞自动机）进行精确特征形状建模和自适应重采样的框架。 CNN已发现可以有效地改善特征匹配以及配准的重采样阶段，并且通过紧身胸衣优化大大降低了方法的复杂性。这项工作的主要特征是基于细胞神经网络方法的SIFT特征点优化，自适应重采样和智能化对象建模。已使用不同的统计手段将发达的方法与当代方法进行了比较。对各种卫星图像的调查表明，这种方法取得了相当大的成功。系统已使用CNN-prolog方法动态使用频谱和空间信息来表示上下文知识。方法论还被证明在提供智能解释和自适应重采样方面有效。％Rejestracja obrazu jest kluczowymskładnikiemróżnychOperacji jego przetwarzania。 W ostatnich latach do automatycznej rejestracji obrazu wykorzystujesięmetody sztucznej inteligencji，którychnajwiększąwadą，obniżającądokładnośćuzyskanychwinikżwówwyjókjóktokótkótkótkómode W niniejszej pracy zaproponowano zasadydokładnegomodelowaniakształtuoraz Adaptacyjnego resamplingu z wykorzystaniem zaawansowanych technik，takich jak Vector Machines（VM），komórkowasiećNeuronow（CNNwey）（iFT），przes Stwierdzono，CNN电视台CNN频道的重采样Zasadniczym przedmiotem的价格：CNN，适应性重采样，或重新采样。 Opracowana metodazostałaporównanazewspółcześniestosowanymi metodamiwykorzystującymiróżnemiary statystyczne。 Badania nadróżnymiobrazami satelitarnymiwykazały，stosującopracowanepodejścieosiągniętobardzo dobre wyniki。系统存储系统CNN-prolog dynamicznie wykorzystuje informationacje spektralne i przestrzenne dla reprezentacji wiedzy kontekstowej。 Metodaokazałasięrównieżskuteczna w dostarczaniu inteligentnych interpretacji i w Adaptacyjnym resamplingu。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号