5 Matchning med avståndsvektorer
8.6 Rekommendationer för fortsatt arbete
Eftersom denna metod inte är så beprövad så finns det mycket som kan göras för att förbättra den.
När experimenten startades så fanns en förhoppning om att, för en aktuell punkt, kunna välja vilken av transformationerna som kommer att ge bäst RMS värde utan att behöva beräkna alla de tre transformationer vid varje punkt. Det som önskades var något typ av riktvärde som man beräknade för de olika transformationerna, som inte krävde lika stor beräkningsbörda som själva transformationen. Något sådant värde hittades inte under detta arbete, men att finna ett sådant borde inte vara omöjligt. Att kombinera det matchningsmått som nu används, RMS, med ytterligare metoder kan vara intressant att undersöka. Om inte i själva sökningen så i alla fall för att bestämma hur bra den slutgiltigt funna träffen verkligen är. Den metod som i första hand skulle kunna vara intressant att undersöka är andelen korta vektorer som finns i det slutgiltiga resultatet och/eller hur lång den längsta avståndsvektorn är.
Att begränsa skalningsmetoden är ett självklart fortsatt arbete. Metoden som användes här finner skalningar ganska bra, men är för dåligt begränsad vilket ger att många felträffar hittas. Den konstant, Krms, som används ger ingen större inverkan på
resultatet men en konstant som är lite större, exempelvis 1.2*Krms, skulle kunna
begränsa förminskningarna bättre.
Algoritmen som tar fram och använder sig av normaler för att undersöka skalningen kan förbättras.
Translationsmetoden använder sig av att beräkna ett histogram. Då denna metod fungerar bra så kan en approximation av histogram vara intressant att ta fram, eftersom själva histogramframtagningen är mycket beräkningskrävande.
Hur startpunkterna ska placeras kan vara en intressant sak att undersöka närmre. I algoritmen som har tagits fram här så placeras de på ett sätt som verkade bra under experimenten, men en mer allmän metod för dessa placeringar skulle behövas.
Andra metoder för att prediktera de olika transformationerna borde undersökas.
9 Referenslista
[1] I. Ragnemalm, ”The Euclidean Distance Transform”, Linköping Studies in Science Technology. Dissertations. No. 304, 1993.
[2] P.E. Danielsson, “Euclidean Distance Mapping”, Computer Graphics and Image Processing 14, 1980, pp 227-248.
[3] G. Borgefors, An improved version of the chamfer matching algorithm, Proc 7th Int. Conf. On Pattern Recognition, Montreal, Canada, 1984, pp. 1175-1177
[4] G. Borgefors, “On Hierarchical Edge Matching in digital images using Distance Transformations”, Dissertation, FOA Report B30094-E1, 1986.
[5] Barrow H.G., Tenenbaum J.M., Bolles R.C., Wolf H.C., Parametric correspondence and chamfer matching: Two new techniques for image matching, Proc. Int. Joint Conf. On Artificial Intelligence, Cambridge, USA, 1977, pp.659-663
[6] Huttenlocher, Rucklidge, A Multi-Resolution Technique for Comparing Images Using the Hausdorff Distance, Cornell University, Ithaca, NY 14853
[7] Furesjö F., “Multiple Cue Object Recognition”, Royal Institute of Technology, SSBA Uppsala, pp.62-65, March 2004.
[8] Danielsson P.E., Seger O., Magnusson Seger M., Ragnemalm I., Bildanalys 2002, University of Linköping, 2002.
[9] J. Chen et al., Refinement to the Chamfer matching for a “center on” fit, Image and Vision Computing NZ, Palmerston North, Novermber 2003, pp. 360-365.
[10] A. Thayananthan et al., ”Shape Context and Chamfer Matching in Cluttered Scenes”, University of Cambridge, Cambridge, CB2 1PZ, UK.
[11] Paglieroni et al., “The Position-Orientation Masking Approach to Parametric Search for Template Matching”, IEEE Transactions on pattern analysis and machine intelligence, vol. 16, NO. 7, pp. 740-747, July 1994.
[12] A. Pinz et al., ”A Robust Affine Matching Algorithm Using an Exponentially Decreasing Distance Function”, Journal of Universal Computer Science, vol.1, NO. 8, pp 614-631, 1995.
[13] M.P. Dubuisson et al, A Modified Hausdorff Distance for Object Matching, 1, 1994, 566-568.