A Probabilistic Approach to Geometric Hashing using Line Features

More documents

Recommendations

Info

6 Bayesian Line Invariant Matching 74 6.1 A Measure of Matching between Scene and Model Invariants : : : : : : : : 74 6.2 Evidence Synthesis by Bayesian Reasoning : : : : : : : : : : : : : : : : : : : 76 6.3 The Algorithm : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 77 6.4 An Analysis of the Number of Probings Needed : : : : : : : : : : : : : : : : 78 7 The Experiments 80 7.1 Implementation of Aæne Invariant Matching : : : : : : : : : : : : : : : : : 80 7.2 Best Least-Squares Match : : : : : : : : : : : : : : : : : : : : : : : : : : : : 82 7.3 Experimental Results and Observations : : : : : : : : : : : : : : : : : : : : 85 8 Conclusions 95 8.1 Discussion and Summary : : : : : : : : : : : : : : : : : : : : : : : : : : : : 95 8.2 Future Directions : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 96 A 98 B 100 Bibliography 102 viii
List of Figures 3.1 A comparison of the results of the standard Hough technique and our improved Hough technique, when applied to an image without noise. : : : : : 28 3.2 A comparison of the results of the standard Hough technique and our improved Hough technique, when applied to a noisy image. : : : : : : : : : : : 29 3.3 The twenty models used in our experiments. From left to right, top to bottom are model-0 to model-19. : : : : : : : : : : : : : : : : : : : : : : : : 30 3.4 Reading from top to bottom, left to right, è0è to è8è are image-0 with different noise levels corresponding to cases 0 to 8. : : : : : : : : : : : : : : : 32 3.5 Image-1 to Image-9 before noise is imposed. The same noise levels as for Image-0 are applied during our experiments. : : : : : : : : : : : : : : : : : 33 3.6 The thicker line is with parameter èç; rè. Projections of the pixels of this line onto line èç +90 æ ;rè will disperse around the position r distant from the origin. : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 38 7.1 Experimental Example 1 : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 87 7.2 Experimental Example 2 : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 88 7.3 Experimental Example 3 : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 89 7.4 Experimental Example 4 : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 90 7.5 Experimental Example 5 : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 92 7.6 Experimental Example 6 : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 93 ix
Page 1 and 2: A Probabilistic Approach to Geometr
Page 3 and 4: Dedication This dissertation is ded
Page 5 and 6: Abstract One of the most important
Page 7: 2.2.1 A Brief Description : : : : :
Page 11 and 12: CHAPTER 1. INTRODUCTION 2 1.1 Model
Page 13 and 14: CHAPTER 1. INTRODUCTION 4 texture a
Page 15 and 16: CHAPTER 1. INTRODUCTION 6 reconstru
Page 17 and 18: CHAPTER 1. INTRODUCTION 8 Both synt
Page 19 and 20: CHAPTER 2. PRIOR AND RELATED WORK 1
Page 33 and 34: CHAPTER 3. NOISE IN THE HOUGH TRANS
Page 49 and 50: CHAPTER 4. INVARIANT MATCHING USING
Page 59 and 60:
CHAPTER 4. INVARIANT MATCHING USING
Page 61 and 62:
Page 63 and 64:
Page 65 and 66:
Page 67 and 68:
Page 69 and 70:
Chapter 5 The Eæect of Noise on th
Page 71 and 72:
CHAPTER 5. THE EFFECT OF NOISE ON T
Page 73 and 74:
Page 75 and 76:
Page 77 and 78:
Page 79 and 80:
Page 81 and 82:
Page 83 and 84:
Chapter 6 Bayesian Line Invariant M
Page 85 and 86:
CHAPTER 6. BAYESIAN LINE INVARIANT
Page 87 and 88:
CHAPTER 6. BAYESIAN LINE INVARIANT
Page 89 and 90:
Chapter 7 The Experiments In this c
Page 91 and 92:
CHAPTER 7. THE EXPERIMENTS 82 j det
Page 93 and 94:
CHAPTER 7. THE EXPERIMENTS 84 Speci
Page 95 and 96:
CHAPTER 7. THE EXPERIMENTS 86 Figur
Page 97 and 98:
CHAPTER 7. THE EXPERIMENTS 88 èaè
Page 99 and 100:
CHAPTER 7. THE EXPERIMENTS 90 èaè
Page 101 and 102:
CHAPTER 7. THE EXPERIMENTS 92 èeè
Page 103 and 104:
CHAPTER 7. THE EXPERIMENTS 94 of li
Page 105 and 106:
CHAPTER 8. CONCLUSIONS 96 We have a
Page 107 and 108:
Appendix A Given a correspondence b
Page 109 and 110:
Appendix B The components of the ma
Page 111 and 112:
Bibliography ë1ë A. Aho, J. Hopcr
Page 113 and 114:
BIBLIOGRAPHY 104 ë23ë W. E. L. Gr
Page 115:
BIBLIOGRAPHY 106 ë47ë I. Rigoutso
show all

A Probabilistic Approach to Geometric Hashing using Line Features

Create successful ePaper yourself

Delete template?

Save as template?