کاهش نقاط کلیدی در توصیفگر MGS_SIFT با استفاده از خوشه بندی کاهشی

توصیفگر SIFT یکی از پرکاربردترین توصیف گرهایی است که در مقابل تغییرات مانند چرخش، بزرگنمایی و کشیدگی تصویر استواری بالایی دارد یکی از نسخه های توسعه یافته ی این توصیفگرMGS-SIFT است که در مقابل تغییرات نورپردازی کارایی خوبی دارد این روش برپایه نقاط کلیدی استخراج شده برروی تصویر کارمی کند که بالا بودن تعداد این نقاط نیاز به صرف زمان زیادی در فاز تطبیق و تشخیص دارد لذا دراین مقاله سعی شده است تا با استفاده از تکنیک خوشه بندی با حذف نقاط مشابه تعداد نقاط کلیدی کاهش داده شود بعبارتدیگر از خوشه بندی کاهشی جهت انتخاب نقاط کلیدی که دارای تمایز بیشتر و شباهت کمتری نسبت بهدیگر نقاط دارند استفاده شده است درنتایج آزمایشات پیاده سازی موفقیت آمیزی از این کار ارایه شده است کارایی الگوریتم پیشنهادی با مقایسه آن با الگوریتم پایه sIFT و نسخه ی MGS-SIFT روی مجموعه داده های ALOI بررسی شده است و مشاهده شد که با اضافه نمودن این روش به توصیفگر پایه MGS-SIFT نرخ بازشناسی تقریبا به میزان 2 درصد افزایش یافته است.

کلیدواژه ها:

تشخیص اشیاء ، توصیفگرهای غیر حساس به بزرگنمایی و چرخش ، خوشه بندی کاهشی