Image registration using artificial neural networks

Abstract

Görüntü çakıştırma çeşitli sensörlerden, değişik zamanlarda ya da farklı bakış açılarından çekilen birçok fotoğraf olarak tanımlanabilen çeşitli gruplardaki veriyi bir koordinat sistemine dönüştüren bir işlemdir. Bu tezde, dönüştürme modeli olarak afin dönüşümü seçilmiştir._x000B_Bu tezde görüntü çakıştırma işlemi sinir ağları kullanılarak gürültünün varlığında yapılmaktadır. Uygulamalarda üç tane resmimiz bulunmaktadır ve bu resimlerin hepsine afin dönüşümü uygulanmıştır. İlk olarak resimlerden özellikler çıkarmış ve bu özellikler ağa giriş olarak verilmiş sonra çıkışta tahmini parametreler elde edilmiştir. Bu özellikler ayrık kosinüs dönüşünü ya da iki boyutlu temel bileşen analizi ile çıkarıldı. Çakıştırma öncesi evrede aynı manzaraya ait ötelenmiş, döndürülmüş ve ölçeklendirilmiş resimlerden çıkarılmış özellikler hem radyal tabanlı yapay sinir ağını hem de ileri beslemeli sinir ağını eğitmek için kullanılmıştır. Çakıştırma evresinde, test resminden özellikler çıkarılır ve bu özellikler ağa verilir. Bu şekilde çakıştırma parametreleri elde edilir._x000B_Sonuçlar hem çeşitli özellik çıkarma yöntemlerine göre hem de yapay sinir ağı çeşitlerine göre karşılaştırılmıştır. Image registration is a procedure that transforms different sets of data that are multiple photographs or data from different sensors, from different times, or from different viewpoints into one coordinate system. In this thesis affine transform is chosen as the transform model._x000B_In this thesis image registration process is done using neural networks in the presence of noise. In the applications, we had three images and affine transform was applied all of the images. At first, features were extracted from the images and these features were given to the network as inputs, then estimated parameters were obtained at the output. These features were extracted by the methods of discrete cosine transform (DCT) and two dimensional principal component analysis (2DPCA). In a pre-registration phase, extracted features from a set of translated, rotated and scaled images of the same scene are employed to train both a Radial Basis Function Neural Network (RBF NN) and a Feed-forward Neural Network (FNN). In the registration phase, the features are extracted from the test image and these features are given to the network. By this way, registration parameters are obtained._x000B_The results were compared both according to the different feature extraction methods and different type of neural networks.