Core Concepts
多クラス特徴を使用したSAR画像マッチングアルゴリズムを提案し、線分と領域の2つの異なる特徴を組み合わせることで、マッチングアルゴリズムの堅牢性を高めている。画像の事前知識を活用し、LSD線検出アルゴリズムとテンプレートマッチングアルゴリズムを組み合わせることで、SAR画像と可視光画像のマッチング精度を向上させ、マッチングエラーの確率を低減している。
Abstract
本論文では、SIFTフレームワークベースのマッチングアルゴリズムの欠点を克服するため、SAR画像の線分特徴と領域特徴を組み合わせたマッチングアルゴリズムを提案している。
まず、SAR画像の前処理として、適応的二値化とスペックル雑音抑制を行う。適応的二値化では、非ゼロピクセルの割合に応じてしきい値を動的に調整することで、マッチングに適した二値化結果を得る。スペックル雑音抑制では、SAR画像の範囲分解能と方位分解能に基づいてフィルタサイズを定義し、効果的にノイズを抑制する。
次に、特徴抽出では、LSD線検出アルゴリズムを用いて線分特徴を抽出し、その角度パラメータと尺度パラメータを計算する。これにより、SAR画像を可視光画像と整合するように回転と拡大縮小の変換を行う。
領域特徴では、輪郭モーメント法を用いて小領域を除去し、最長の直線特徴を基に最適なテンプレートを抽出する。
最後に、抽出したテンプレートを可視光画像上でマッチングし、最適な位置を特定する。この位置情報と線分特徴の情報から、SAR画像と可視光画像の変換行列を計算し、最終的なマッチング結果を得る。
実験結果により、本手法は高精度なマッチング結果を得られ、視点や照明の変化に対しても堅牢性があることが示された。
Stats
SAR画像の範囲分解能DISと方位分解能DREを用いて、フィルタサイズを(9/DIS) x (9/DRE)と定義している。
線分特徴の長さdは、エッジ座標から以下のように計算される:
d = sqrt((x2-x1)^2 + (y2-y1)^2)
テンプレートマッチングの評価関数Rは以下のように定義される:
R = sum((T-Tmean)*(I-Imean)) / sqrt(sum((T-Tmean)^2) * sum((I-Imean)^2))
Quotes
"本手法は高精度なマッチング結果を得られ、視点や照明の変化に対しても堅牢性がある。"
"LSD線検出アルゴリズムを用いて線分特徴を抽出し、その角度パラメータと尺度パラメータを計算することで、SAR画像を可視光画像と整合するように変換を行う。"
"輪郭モーメント法を用いて小領域を除去し、最長の直線特徴を基に最適なテンプレートを抽出する。"