مقایسه الگوریتم‌های تشخیص نقاط ویژه تصاویر در فضاهای رنگ مختلف به منظور تهیه نقشه سه بعدی درختان

عملیات کشاورزی در باغات مانند سم­پاشی، آبیاری و ... در زمینه کشاورزی دقیق و رباتیک کشاورزی وابستگی زیادی به شکل تاج درخت و ساختار آن دارد. بنابراین داشتن مدل سه­بعدی و نقشه عمق درختان می­تواند مفید باشد. یکی از روش­های ایجاد مدل سه­بعدی، استفاده از روش بینایی استریو است. مهمترین مرحله در این روش، تعیین نقاط متناظر است. برای انجام این کار ابتدا باید نقاط ویژه در هر تصویر شناسایی شوند. الگوریتم­های مختلفی بدین منظور نوشته شده است. در این تحقیق شش الگوریتم Harris-Stephens، Minimum eigenvalue، MSER، FAST، SURF و BRISK در فضاها و مولفه های RGB، G، HSV، H، YCbCr، Y، NTSC، Lab و a بررسی و مقایسه شد. نتایج نشان داد که الگوریتم SURF بهترین عملکرد را داشت. نقاط ویژه­ای که این الگوریتم تشخیص داد در اکثر فضاها ثابت بود که نشان از پایداری این الگوریتم در فضاهای مختلف دارد. بعد از الگوریتم SURF بهترین عملکرد را الگوریتم MSER داشت. این الگوریتم محصولات درخت را به عنوان نقاط ویژه تشخیص داد. اگر چه تعداد این نقاط کم است اما درصورتی که نتوان نقاط گوشه را در دو تصویر با هم مطابقت داد، از این نقاط می­توان به عنوان نقاط مشترک جهت تطابق استفاده کرد. الگوریتم­ها در فضاها و مولفه­های HSV، H، YCbCr و NTSC بهترین عملکرد را داشتند و در فضای RGB و Y از نظر تعداد نقاط ویژه تشخیص داده شده پایدار­تر عمل کردند.