LMFD:Lightweight Multi-Feature Descriptors for Image Stitching
Description
Abstract Image stitching is a fundamental pillar of computer vision, and its effectiveness hinges significantly on the quality of feature descriptors. However, the existing feature descriptors confront several challenges, including inadequate robustness to noise or rotational transformations and limited adaptability during hardware deployment. To address these limitations, this paper proposed a feature descriptor for image stitching, denoted as Lightweight Multi-Feature Descriptors (LMFD). By extensively extracting gradients, means, and global information surrounding the feature points, the feature descriptors are generated through various combinations to enhance the image stitching. This empowers the algorithm with formidable rotational invariance and noise resistance, thereby improving its accuracy and reliability. Furthermore, the feature descriptors take the form of binary matrices consisting of 0 and 1, which not only facilitates more efficient hardware deployment but also enhances computational efficiency. The utilization of binary matrices significantly reduces the computational complexity of the algorithm while preserving its efficacy. To validate the effectiveness of the LMFD, rigorous experimentation was conducted on the Hpatches and 2D-HeLa datasets. The results demonstrated that the LMFD outperformed state-of-the-art image matching algorithms in terms of accuracy. This empirical evidence solidifies the superiority of the LMFD and substantiates its potential for practical applications in various domains.
Translated Descriptions
Translated Description (Arabic)
تعد خياطة الصور المجردة ركيزة أساسية لرؤية الكمبيوتر، وتتوقف فعاليتها بشكل كبير على جودة واصفي الميزات. ومع ذلك، تواجه واصفات الميزات الحالية العديد من التحديات، بما في ذلك المتانة غير الكافية للضوضاء أو التحولات الدورانية والقدرة المحدودة على التكيف أثناء نشر الأجهزة. لمعالجة هذه القيود، اقترحت هذه الورقة واصفًا مميزًا لخياطة الصور، يشار إليه باسم واصفات متعددة الميزات خفيفة الوزن (LMFD). من خلال استخراج التدرجات والوسائل والمعلومات العالمية المحيطة بنقاط الميزة على نطاق واسع، يتم إنشاء واصفات الميزة من خلال مجموعات مختلفة لتعزيز خياطة الصورة. وهذا يمكّن الخوارزمية من خلال الثبات الدوراني الهائل ومقاومة الضوضاء، وبالتالي تحسين دقتها وموثوقيتها. علاوة على ذلك، تتخذ واصفات الميزات شكل مصفوفات ثنائية تتكون من 0 و 1، والتي لا تسهل نشر الأجهزة بشكل أكثر كفاءة فحسب، بل تعزز أيضًا الكفاءة الحسابية. يقلل استخدام المصفوفات الثنائية بشكل كبير من التعقيد الحسابي للخوارزمية مع الحفاظ على فعاليتها. للتحقق من فعالية LMFD، تم إجراء تجارب صارمة على مجموعات بيانات Hpatches و 2 D - HeLa. أظهرت النتائج أن LMFD تفوقت على أحدث خوارزميات مطابقة الصور من حيث الدقة. يعزز هذا الدليل التجريبي تفوق LMFD ويثبت إمكاناته للتطبيقات العملية في مختلف المجالات.Translated Description (French)
L'assemblage d'images abstraites est un pilier fondamental de la vision par ordinateur, et son efficacité dépend de manière significative de la qualité des descripteurs de caractéristiques. Cependant, les descripteurs de fonctionnalités existants sont confrontés à plusieurs défis, notamment une robustesse inadéquate au bruit ou aux transformations rotationnelles et une adaptabilité limitée lors du déploiement du matériel. Pour remédier à ces limitations, cet article a proposé un descripteur de caractéristique pour la couture d'image, désigné sous le nom de descripteurs multifonctions légers (LMFD). En extrayant de manière extensive les gradients, les moyens et les informations globales entourant les points caractéristiques, les descripteurs de caractéristiques sont générés par diverses combinaisons pour améliorer la couture de l'image. Cela confère à l'algorithme une formidable invariance rotationnelle et une résistance au bruit, améliorant ainsi sa précision et sa fiabilité. En outre, les descripteurs de caractéristiques prennent la forme de matrices binaires composées de 0 et 1, ce qui facilite non seulement un déploiement matériel plus efficace, mais améliore également l'efficacité du calcul. L'utilisation de matrices binaires réduit considérablement la complexité de calcul de l'algorithme tout en préservant son efficacité. Pour valider l'efficacité du LMFD, une expérimentation rigoureuse a été menée sur les jeux de données Hpatches et 2D-HeLa. Les résultats ont démontré que le LMFD surpassait les algorithmes de correspondance d'images de pointe en termes de précision. Ces preuves empiriques confirment la supériorité du LMFD et justifient son potentiel pour des applications pratiques dans divers domaines.Translated Description (Spanish)
Resumen La costura de imágenes es un pilar fundamental de la visión artificial, y su efectividad depende significativamente de la calidad de los descriptores de características. Sin embargo, los descriptores de características existentes enfrentan varios desafíos, incluida la robustez inadecuada al ruido o las transformaciones rotacionales y la adaptabilidad limitada durante la implementación del hardware. Para abordar estas limitaciones, este documento propuso un descriptor de características para la costura de imágenes, denominado Lightweight Multi-Feature Descriptors (LMFD). Al extraer extensamente gradientes, medios e información global que rodea los puntos de característica, los descriptores de característica se generan a través de varias combinaciones para mejorar la costura de la imagen. Esto dota al algoritmo de una formidable invariancia rotacional y resistencia al ruido, mejorando así su precisión y fiabilidad. Además, los descriptores de características toman la forma de matrices binarias que consisten en 0 y 1, lo que no solo facilita un despliegue de hardware más eficiente, sino que también mejora la eficiencia computacional. La utilización de matrices binarias reduce significativamente la complejidad computacional del algoritmo al tiempo que preserva su eficacia. Para validar la efectividad del LMFD, se realizó una experimentación rigurosa en los conjuntos de datos Hpatches y 2D-HeLa. Los resultados demostraron que el LMFD superó a los algoritmos de coincidencia de imágenes de última generación en términos de precisión. Esta evidencia empírica consolida la superioridad del LMFD y corrobora su potencial para aplicaciones prácticas en varios dominios.Files
latest.pdf.pdf
Files
(744.9 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:4cc8ea76701ce64f82e94f9c051a25c7
|
744.9 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- LMFD: واصفات خفيفة الوزن متعددة الميزات لخياطة الصور
- Translated title (French)
- LMFD : Descripteurs multifonctions légers pour la couture d'images
- Translated title (Spanish)
- LMFD: Descriptores ligeros multifunción para la costura de imágenes
Identifiers
- Other
- https://openalex.org/W4386252959
- DOI
- 10.21203/rs.3.rs-3294475/v1