«Автоматизация и информатизация ТЭК»

Анализ устойчивости подходов к сопоставлению признаков и изображений при геометрических преобразованиях

УДК: 004.032.26
DOI: -

Авторы:

¹ Новосибирский Государственный Технический Университет, Новосибирск, Россия
² РГУ нефти и газа (НИУ) им. И.М. Губкина, Москва, Россия

Ключевые слова: сопоставление изображений, повторяемость ключевых точек, пространственная согласованность, SIFT, ORB, SuperGlue

Аннотация:

Сопоставление изображений при геометрических преобразованиях остается одним из основных разделов компьютерного зрения, востребованного в нефтегазовой отрасли. В статье рассматриваются классические подходы в виде Scale-Invariant Feature Transform (SIFT) и дескриптора Oriented FAST and Rotated BRIEF (ORB), а также нейросетевая архитектура сопоставления SuperGlue, объединяющая детектор Super Point и графовую нейронную сеть. Данные подходы анализируются для оценки повторяемости, пространственной согласованности и качества сопоставления изображений. Эксперимент проведен на 116 последовательностях набора данных HPatches. Для каждого алгоритма вычислялись пять метрик: повторяемость (Repeatability, rep), стабильная повторяемость (Stable Repeatability, SR), индекс пространственной согласованности (Spatial Consistency Index, SCI), площадь под кривой Precision-Recall (Area Under the Precision-Recall Curve, AUC-PR) и показатель сопоставления (Matching Score, MS). Геометрические преобразования включали аффинные и перспективные искажения, повороты и масштабирование с тремя уровнями интенсивности. По итогам эксперимента SuperGlue достиг наивысшей повторяемости (rep = 0,540±0,157) и стабильной повторяемости (SR = 0,549±0,156). Алгоритм ORB показал лучший индекс пространственной согласованности (SCI = 0,851±0,132), а SIFT большее число верных сопоставлений (421±363). Полученные результаты позволяют обосновано выбирать подход к сопоставлению изображений в зависимости от задачи. Таким образом, SuperGlue подходит для систем одновременной локализации и картографирования (Simultaneous Localization and Mapping, SLAM), ORB подходит для робототехнических систем с ограничениями по времени, а SIFT для задач трехмерной реконструкции.

Список литературы:

1. Оводкова К.В., Завьялов А.П., Жучков К.Н. Повышение достоверности результатов внутритрубной дефектоскопии // Труды Российского государственного университета нефти и газа имени И.М. Губкина. – 2024. – № 2(315). – С. 75–87.
2. Тупысев А.М., Негробов В.А., Алетдинова А.А. Применение нейронных сетей в задаче семантической сегментации пустотного пространства на изображениях шлифов горных пород // Автоматизация и информатизация ТЭК. – 2025. – № 3(620). – С. 10–16.
3. Lowe D.G. Distinctive Image Features from Scale-Invariant Keypoints // International Journal of Computer Vision. – 2004. – Vol. 60, Issue 2. – P. 91–110. – DOI: 10.1023/B:VISI.0000029664.99615.94
4. ORB: An efficient alternative to SIFT or SURF / E. Rublee, V. Rabaud, K. Konolige, G. Bradski // IEEE International Conference on Computer Vision, ICCV 2011, Barcelona, Spain, November 6–13, 2011. – P. 2564–2571. – DOI: 10.1109/ICCV.2011.6126544
5. SuperGlue: Learning Feature Matching with Graph Neural Networks / P.-E. Sarlin, D. DeTone, T. Malisiewicz, A. Rabinovich // 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Seattle, WA, USA, June 13–19, 2020. – P. 4938–4947. – DOI: 10.1109/CVPR42600.2020.00499
6. Comparative Evaluation of Hand-Crafted and Learned Local Features / J.L. Schönberger, H. Hardmeier, T. Sattler, M. Pollefeys // Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, July 21–26, 2017. – P. 6959–6968. – DOI: 10.1109/CVPR.2017.736
7. Cueto Zumaya C.R., Catalano I., Peña Queralta J. Building Better Models: Benchmarking Feature Extraction and Matching for Structure from Motion at Construction Sites // Remote Sensing. – 2024. – Vol. 16, Issue 16. – Article No. 2974. – DOI: 10.3390/rs16162974
8. Comparison of Feature Extraction and Matching Techniques Applied to Monocular UAV Images with Low-quality and Land Cover Variations / N.A.Z. Xavier, J.A. De Lapa, D.D.C. Honorio [et al.] // 2023 Latin American Robotics Symposium (LARS), 2023 Brazilian Symposium on Robotics (SBR), and 2023 Workshop on Robotics in Education (WRE), Salvador, Brazil, October 9–11, 2023. – P. 47–52. – DOI: 10.1109/LARS/SBR/WRE59448.2023.10333064
9. Zeng Shuyao, Zhao Yanming, Li Shaobin. Comparison Between the Traditional and Deep Learning Algorithms on Image Matching // IEEE/ACIS 22nd International Conference on Computer and Information Science (ICIS), Zhuhai, China, June 26–28, 2022. – P. 182–186. – DOI: 10.1109/ICIS54925.2022.9882428
10. HPatches sequences release. – 2024. – URL: https://www.kaggle.com/datasets/javidtheimmortal/hpatches-sequence-release (дата обращения 20.05.2026).
11. HPatches: A Benchmark and Evaluation of Handcrafted and Learned Local Descriptors / V. Balntas, K. Lenc, A. Vedaldi, K. Mikolajczyk // 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, July 21–26, 2017. – P. 3852–3861. – DOI: 10.1109/CVPR.2017.410
12. Rosten E., Drummond T. Machine Learning for High-Speed Corner Detection // 9th European Conference on Computer Vision, Graz, Austria, May 7–13, 2006 (Lecture Notes in Computer Science. Vol 3951). – Berlin, Heidelberg: Springer, 2006. – P. 430–443. – DOI: 10.1007/11783685_34
13. BRIEF: Binary Robust Independent Elementary Features / M. Calonder, V. Lepetit, C. Strecha, P. Fua // 11th European Conference on Computer Vision, Heraklion, Crete, Greece, September 5–11, 2010 (Lecture Notes in Computer Science. Vol 6314). – Berlin, Heidelberg: Springer, 2010. – P. 778–792. – DOI: 10.1007/978-3-642-15561-1_56
14. Attention is all you need / A. Vaswani, N. Shazeer, N. Parmar [et al.] // 31st Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, USA, December 4–9, 2017. – P. 5998–6008. – DOI: 10.48550/arXiv.1706.03762
15. Sinkhorn R. A Relationship Between Arbitrary Positive Matrices and Doubly Stochastic Matrices // The Annals of Mathematical Statistics. – 1964. – Vol. 35, No. 2. – P. 876–879. – DOI: 10.1214/aoms/1177703591
16. Geometry Cloak: Preventing TGS-based 3D Reconstruction from Copyrighted Images / Song Qi, Luo Ziyuan, Cheung Ka Chun [et al.] // 38th Conference on Neural Information Processing Systems (NeurIPS 2024). – Vancouver, BC, Canada, December 9–15, 2024. – P. 1–25. – DOI: 10.48550/arXiv.2410.22705
17. Bridle J.S. Probabilistic of Feedforward Classification Network Outputs, with Relationships to Statistical Pattern Recognition // Neurocomputing: Algorithms, Architectures and Applications / eds. F. Fogelman Soulié, J. Hérault. – Berlin, Heidelberg: Springer, 1990. – (NATO ASI Subseries F. Vol. 68). – P. 227–236. – DOI: 10.1007/978-3-642-76153-9_18
18. Iverson K.E. A programming language // Proc. of the May 1–3, Spring Joint Computer Conference. – 1962. – P. 345–351. – DOI: 10.1145/1460833.1460872
19. Knuth D.E. Two Notes on Notation // The American Mathematical Monthly. – 1992. – Vol. 99, Issue 5. – P. 403–422. – DOI: 10.2307/2325085
20. Schmid C., Mohr R., Bauckhage C. Comparing and evaluating interest points // Sixth International Conference on Computer Vision (IEEE Cat. No 98CH36271), Bombay, India, January 07, 1998. – P. 230–235. – DOI: 10.1109/ICCV.1998.710723