نگاشت اشیاء داده تطبیق تصاویر بر اساس "ویژگی ها"

در اینجا راه حل نظر من در ES3 است (جزئیات بعد از کد):

شیء برابر است = تابع (x, y) (اگر (x === y) درست است؛ // اگر x و y هر دو تهی یا تعریف نشده باشند و دقیقاً یکسان هستند اگر (! (x نمونه شی) || ! (y) instanceof Object)) return false؛ // اگر کاملاً برابر نیستند، هر دو باید Object باشند اگر (x.constructor !== y.constructor) false را برگرداند؛ // آنها باید دقیقاً همان زنجیره اولیه، نزدیکترین را داشته باشند. برای (var p در x) می‌توانیم انجام دهیم این است // سازنده وجود دارد را آزمایش کنیم. .hasOwnProperty(p)) false را بازگرداند // اجازه می دهد تا x[ p ] و y[ p ] را در صورت تنظیم بر روی undefined مقایسه کنید اگر (x[ p ] === y[ p ]) ادامه یابد؛ // اگر آنها همان سختی را داشته باشند مقدار یا هویت آنگاه با هم برابر هستند اگر (typeof(x[ p ]) !== "object") false را برگرداند؛ // اعداد، رشته ها، توابع، Booleans باید کاملاً برابر باشند اگر (! Object. برابر باشد (x[ p ] , y[ p ])) false؛ // اشیا و آرایه ها باید به صورت بازگشتی آزمایش شوند ) برای (p در y) (اگر (y.hasOwn خاصیت (p) && ! x.hasOwnProperty(p)) false; // اجازه می دهد تا x[ p ] روی undefined تنظیم شود ) return true; )

در حین توسعه این راه حل، من به طور خاص به موارد گوشه ای، کارایی نگاه کردم، اما سعی کردم راه حل ساده ای ارائه دهم که کار می کند، امیدوارم با کمی ظرافت کار کند. جاوا اسکریپت این اجازه را می دهد صفرو نا معلومخواص و اشیا هستند نمونه های اولیه،که در صورت عدم آزمایش می تواند منجر به رفتار بسیار متفاوتی شود.

ابتدا تصمیم گرفتم توسعه دهم هدف - شیبجای شیء.نمونه اولیه، عمدتاً به این دلیل خالینمی تواند یکی از اشیاء مقایسه باشد و من معتقدم که خالیباید یک شی معتبر برای مقایسه با شی دیگر باشد. مسائل مشروع دیگری وجود دارد که توسط دیگران در مورد گسترش ذکر شده است شیء.نمونه اولیهدر مورد عوارض جانبی احتمالی برای کدهای دیگر.

باید دقت بیشتری به جاوا اسکریپت داده شود تا خصوصیات شی را بتوان به صورت تنظیم کرد نامعین، یعنی خواصی هستند که مقادیر آنها به صورت تنظیم شده است نامعین. راه حل بالا تأیید می کند که هر دو شی دارای ویژگی های یکسانی هستند که تعریف نشدهبرای گزارش برابری این تنها با بررسی وجود ویژگی های استفاده می شود Object.hasOwnProperty(property_name). همچنین توجه داشته باشید که JSON.stringify()ویژگی هایی را که به عنوان تنظیم شده اند حذف می کند نامعین، و بنابراین مقایسه با استفاده از این فرم ویژگی های تنظیم شده روی مقدار را نادیده می گیرد تعریف نشده.

توابع تنها در صورتی باید برابر در نظر گرفته شوند که مرجع مشابهی داشته باشند، نه فقط یک کد، زیرا نمونه اولیه آن توابع در نظر گرفته نمی شود. بنابراین مقایسه یک خط کد برای اطمینان از داشتن یک شی نمونه اولیه کار نمی کند.

هر دو شی باید یکسان باشند زنجیره اولیه، نه همان خواص. این را فقط می توان از طریق مرورگر متقابل با مقایسه تأیید کرد سازندههر دو مورد برای برابری دقیق هستند. ECMAScript 5 به شما این امکان را می دهد که نمونه اولیه واقعی آنها را بررسی کنید Object.getPrototypeOf(). برخی از مرورگرهای وب نیز این ملک را ارائه می دهند __پرتو__،که همین کار را می کند. بهبود احتمالی کد بالا به یکی از این روش‌ها اجازه می‌دهد تا حد امکان استفاده شود.

استفاده از مقایسه های دقیق در اینجا بسیار مهم است زیرا 2 نباید برابر در نظر گرفته شود "2.0000" ، آ نادرستباید برابر در نظر گرفته شود صفر, نا معلومیا 0 .

ملاحظات کارایی باعث می شود تا در اسرع وقت برای برابری ویژگی ها مقایسه کنم. سپس، فقط در صورت شکست، به دنبال آن باشید یک نوعاین خواص افزایش سرعت می تواند برای اجسام بزرگ با خواص اسکالر بسیار قابل توجه باشد.

بیش از دو حلقه مورد نیاز نیست، اولی برای بررسی ویژگی ها از شی سمت چپ، دومی برای بررسی ویژگی های سمت راست و فقط وجود (نه مقدار) را برای گرفتن آن ویژگی هایی که با آن تعریف شده اند بررسی می کند. نا معلوممقدار.

به طور کلی این کد اکثر موارد گوشه را تنها در 16 خط کد (بدون نظر) کنترل می کند.

به روز رسانی (8/13/2015). من یک نسخه کارآمدتر را پیاده‌سازی کرده‌ام زیرا تابع ()value_equals سریع‌تر است، موارد گوشه سمت راست مانند NaN و 0 غیر از -0 را کنترل می‌کند، به‌طور اختیاری از مرتب‌سازی و آزمایش ویژگی شیء برای مراجع دایره‌ای که توسط بیش از 100 تست خودکار به عنوان تست قسمت پشتیبانی می‌شود، استفاده می‌کند. مجموعه ای از پروژه ها

برای نمایش صحیح این صفحه به مرورگری با پشتیبانی جاوا اسکریپت نیاز دارید.

پردازش "نقشه برداری و رفع اشیاء"

پردازش نگاشت و رفع اشیا در صورتی اعمال می شود که اشیاء نقشه برداری شده قبلی در مدیریت توزیع نگاشت شده باشند. سپس در فرم پردازش برای دانلود داده ها از توزیع کننده، پیوندی برای تصحیح اسناد حاوی داده های تغییر یافته ظاهر می شود ( برنج. 7.16 ) .

پردازش را می توان به دو روش شروع کرد:

از زیر سیستم "داده های توزیع کنندگان" برای تغییر مقایسه مستقیم از طریق پردازش؛

برای انتخاب داده‌ها برای توزیع‌کننده، نام توزیع‌کننده را در قسمت «توزیع‌کننده» وارد کنید و روی دکمه «» کلیک کنید تا داده‌های بارگیری‌شده از RS توزیع‌کننده نمایش داده شود.

بیایید تطبیق آیتم را به عنوان مثال در نظر بگیریم.

برنج. 7.13. پردازش "نقشه برداری و رفع اشیاء"

بخش جدولی عنصر دایرکتوری را در پایگاه داده توزیع کننده و مطابقت آن را در پایگاه داده سازنده نمایش می دهد.

مطابقت از دایرکتوری نشان داده شده است " نامگذاری". این را می توان به صورت دستی یا با استفاده از دکمه انجام داد " مشابه پیدا کنید". جستجو را می توان با مقاله (اگر تنظیم "نمایش مقاله" فعال باشد) یا با نام انجام داد. اگر جستجو مطابقت کامل پیدا نکرد، نام نامی با تطابق جزئی مقاله یا نام جایگزین می شود. .

یک نقشه تغییر یافته اما ذخیره نشده برجسته شده است با حروف درشت.

چک باکس " نمایش SKU"نمایش SKU محصول توزیع کننده و محصول مطابق را کنترل می کند.

حالت نمایش لیست عناصر در بخش جدولی در منوی بخش جدولی "بیشتر" پیکربندی شده است ( برنج. 7.14) . اگر پردازش پس از ایجاد تغییرات از طریق " دانلود داده ها از توزیع کنندگان"یا دایرکتوری" نامگذاری توزیع کننده"، سپس لیست محصولات با چک باکس فیلتر می شود" فقط تغییر کرده".

برای تصحیح اسناد، شما نیاز دارید:

چاپ (Ctrl+P)

مکانیسم مقایسه داده ها هنگام تبادل از طریق یک قالب جهانی

مکانیسم تطبیق داده ها برای حل مشکل همگام سازی داده ها بین پایه منبع و پایه گیرنده در طول تبادل طراحی شده است.

شناسه های شی داخلی

در حالت ایده‌آل، داده‌های برنامه‌های همگام‌سازی شده را می‌توان با شناسه‌های شی داخلی منحصر به فرد (GUID) مطابقت داد. اما این مستلزم آن است که افزودن داده هایی برای همگام سازی فقط در یک برنامه انجام شود و در دیگری این داده ها منحصراً در نتیجه همگام سازی ظاهر شوند. در این صورت، GUID ها در دو برنامه برای اشیاء یکسان، یکسان خواهند بود و امکان تطبیق منحصر به فرد اشیا توسط آنها وجود خواهد داشت.

در عمل، رعایت این الزام همیشه امکان پذیر نیست، به خصوص در مورد تنظیم همگام سازی بین برنامه هایی که به طور مستقل کار می کردند. این به این دلیل است که دو شیء یکسان ایجاد شده به صورت موازی در هر برنامه دارای دو GUID متفاوت خواهند بود.

در برخی موارد، داده ها را نمی توان با یک GUID مطابقت داد زیرا وجود ندارد (موارد خاصی که در این مقاله پوشش داده نشده است).

شناسه های شی عمومی

برای تطبیق موفقیت آمیز اشیا با GUID های مختلف، باید مکانی برای ذخیره اطلاعات مطابقت آنها وجود داشته باشد. این مکان محل ثبت اطلاعات است. شناسه های عمومی اشیاء همگام سازی شده(به علاوه صنوبر).

برنج. 1 ثبت اطلاعات شناسه های عمومی اشیاء همگام شده

ساختار رجیستر در جدول ارائه شده است:

برای مقایسه داده های دو برنامه، BSP 2.3 پردازش "مقایسه اشیاء پایگاه اطلاعاتی" را برای استفاده مستقیم هنگام همگام سازی داده ها فراهم می کند.

شکل 2. فرم پردازش اصلی "مقایسه اشیاء پایگاه اطلاعاتی"

لیست با دستور باز می شود نقشه برداری را اجرا کنیددر صفحه نقشه برداری داده هادستیار برای همگام سازی داده های تعاملی. همچنین می‌توانید روی ردیفی که مشکل تطبیق داده‌ها دارد، دوبار کلیک کنید.

این لیست از دو ستون تشکیل شده است که هر کدام مربوط به پایگاه اطلاعاتی درگیر در تبادل است. داده ها بر اساس اشیاء برنامه (اسناد، لیست ها) گروه بندی می شوند. یک خط اطلاعات در پایین لیست نمایش داده می شود: چند عنصر مطابقت دارند، چند عنصر مطابقت ندارند.

در زمینه خروجیمی‌توانید انتخاب کنید کدام داده‌ها در فهرست نمایش داده شوند. به صورت پیش فرض نمایش داده می شود داده های بی همتا.

نقشه برداری شی

• کلیک مطابقت خودکار(توصیه می شود)، فیلدهایی را برای مطابقت با استفاده از کادرهای انتخاب انتخاب کنید. برخی از فیلدها به صورت پیش فرض توسط برنامه انتخاب می شوند. برای تایید انتخاب خود، کلیک کنید نقشه برداری را اجرا کنید. پس از جستجو، برنامه داده هایی را که برای مشاهده مقایسه کرده است نمایش می دهد. برای تایید فشار دهید درخواست دادن.
• پس از تطبیق خودکار، می توانید به صورت دستی اشیاء باقی مانده را مطابقت دهید یا نگاشت شی را تغییر دهید. اشیاء مورد نیاز دو پایه را انتخاب کنید، کلیک کنید لغو مسابقه، برای تلاش برای مطابقت دستی اشیا، کلیک کنید تنظیم مسابقهبرای مطابقت با اشیاء
• برای تایید فشار دهید بنویس و ببند.

سفارشی کردن فیلدهای جدول نقشه برداری

• کلیک بلندگوهابرای افزودن فیلدها به ستون های لیست فیلدهای اضافی را می توان با استفاده از چک باکس ها بررسی کرد، برای تأیید، کلیک کنید درخواست دادن.

دریافت اطلاعات از یک برنامه دیگر

ترتیب تطبیق شی

• توصیه می شود با در نظر گرفتن پیوندهای مرجع، تطبیق داده ها و بارگذاری انجام شود. به خصوص اگر از فیلد برای مطابقت با اشیاء استفاده شود.
• به عنوان مثال، در پیکربندی فهرستی از قراردادهای طرف مقابل وجود دارد که تابع دایرکتوری طرف مقابل است. مقایسه قراردادهای طرف مقابل با توجه به مالک دایرکتوری انجام می شود، یعنی. با توجه به دایرکتوری طرف مقابل. بنابراین، برای مقایسه صحیح داده ها، ابتدا باید فهرست طرفین و سپس فهرست قراردادهای طرف مقابل را مقایسه و دانلود کنید.
• در غیر این صورت، فیلدهای جدول نگاشت ممکن است حاوی پیوندهای ساختگی از فرم باشد:
  <Объект не найден>(26:a0b9001b24e002fe11dfba347dd41412).
• پیوند ساختگی به یک شی در پایگاه اطلاعات فعلی اشاره می کند که هنوز از پیام تبادل بارگیری نشده است.

ورودی ها در صنوبرهمچنین هنگام تأیید دریافت داده توسط خبرنگار از طریق مکانیسم تأیید، در سمت فرستنده ایجاد می شود. در زمینه مشخص کنندهچنین رکوردهایی شناسه اصلی شی را تنظیم می کنند. ثبت چنین رکوردهایی ضروری است تا هنگام دریافت سایر داده ها از خبرنگار، بتوان فهمید که این شی باید توسط فیلدها و توسط یک شناسه منحصر به فرد از روند جستجو حذف شود.

گزینه هایی برای شناسایی اشیاء پس از دریافت

روش تطبیق خودکار اشیاء پس از بازیابی در قوانین تبدیل شیء (OCRs) برای بازیابی داده ها موجود است. قوانین PKO در ماژول عمومی هستند

شکل 3 بخش های ماژول عمومی ExchangeManagerViaUniversalFormat

توجه داشته باشیدآنچه در ماژول مشترک وجود دارد Exchange ManagerViaUniversalFormatهمه اجزاء (قوانین پردازش داده، قوانین تبدیل شی و غیره) وجود دارند که منطق کاربردی پردازش داده ها را در فرآیند دریافت یا ارسال آنها تعیین می کنند. کد برنامه این ماژول به طور خودکار با استفاده از برنامه Data Conversion 3.0 بر اساس قوانین تبادل پیکربندی شده تولید می شود. کد برنامه ماژول را می توان به صورت دستی ایجاد کرد، اما به مهارت زیادی از توسعه دهنده نیاز دارد.

گزینه مقایسه خودکار (شناسایی) اشیاء پس از دریافت با استفاده از ویژگی تنظیم می شود شناسایی متغیر PKO

شکل 4. تنظیمات شناسایی در ماژول مدیر

3 گزینه (3 مقدار) برای شناسایی شی وجود دارد

1. توسط UniqueID -شناسایی توسط GUID،
2. ابتدا با شناسه منحصر به فرد سپس با فیلدهای جستجو– شناسایی توسط GUID و فیلدهای جستجو،
3. ByFieldsSearch -شناسایی با فیلدهای جستجو،

ویژگی دیگری که منطق تطبیق را تعریف می کند، آرایه ای از فیلدهای جستجو است که در ویژگی تعریف شده است فیلدهای جستجو PKO.

الگوریتم جستجوی میدانی

یک کاربرد متوالی از گزینه های جستجوی مشخص شده در ویژگی وجود دارد فیلدهای جستجو FSP هنگام بارگذاری شی مورد استفاده قرار می گیرد.

محدودیت.
هنگام تطبیق در مرحله تجزیه و تحلیل داده ها، فقط اولین گزینه جستجو اعمال می شود - توسط UniqueID

انتقال به گزینه بعدی در دو مورد انجام می شود:

1. شیء بارگذاری شده هیچ یک از فیلدهای مشخص شده در گزینه جستجو را ندارد.
2. گزینه جستجو هیچ نتیجه ای نداشت.

اگر شیء بارگیری شده حاوی اطلاعات مربوط به GUID اولیه و گزینه شناسایی برای شی "By GUID" یا "By GUID and search fields" باشد، جستجو در بین تمام اشیاء از نوع مشخص شده انجام می شود، به جز مواردی که FIR برای آنها FIR است. قبلا مطابقت داده شده است.

در موارد دیگر، جستجو در میان تمام اشیاء پایگاه اطلاعاتی از نوع مربوطه انجام می شود.

ویژگی های خاص
هنگام تطبیق در مرحله تجزیه و تحلیل داده ها، اشیاء بارگذاری شده پر شدن فیلدهای درگیر در جستجو را بررسی نمی کنند.

در مرحله تجزیه و تحلیل داده ها، تنها در صورتی تطابق ایجاد می شود که یک شی گیرنده برای یک شی فرستنده پیدا شود.

در مرحله بارگیری داده ها، در موردی که چندین شی گیرنده برای یک شی فرستنده پیدا شد، تطابق نیز برقرار می شود. در چنین شرایطی با یکی از آنها مسابقه برقرار می شود.

در مرحله بارگذاری اطلاعات، گزینه جستجو عدد + تاریخبرای اسناد به شرح زیر عمل می کند: تعداد سند مورد نیاز برای تطابق دقیق بررسی می شود، تاریخ فاصله زمانی را که جستجو در آن انجام می شود با شماره تعیین می کند. خود بازه به عنوان دوره منحصر به فرد بودن شماره اسناد تعریف می شود که شامل تاریخ مشخص شده است. به عنوان مثال، اگر شماره سند در یک ماه منحصر به فرد باشد و تاریخ آن 10 دسامبر 2001 باشد، جستجو در بازه زمانی 01 دسامبر تا 31 دسامبر 2001 انجام می شود.
در مرحله تجزیه و تحلیل داده ها، این گزینه جستجو به طور معمول کار می کند: هر دو فیلد برای مطابقت دقیق بررسی می شوند.

مواد از چشم انداز فنی

هنگام حل مشکل مقایسه تصاویر، تجزیه و تحلیل سلسله مراتبی ویژگی های "اولیه" تصاویر - به اصطلاح "ویژگی های مشخصه" - مهمترین نقش را ایفا می کند. از چنین «ویژگی‌هایی» می‌توان برای مقایسه تصاویر جاری و مرجع در روش‌های مختلفی مانند پردازش همبستگی سلسله مراتبی، روش‌های رأی‌گیری یا طرح‌های مقایسه حجمی استفاده کرد. در این حالت از نقاط، خطوط، مناطق و ساختارهای خاص (گروه ویژگی ها) به عنوان ویژگی تصویر استفاده می شود. اجازه دهید به طور خلاصه رویکردهای مبتنی بر استفاده از ویژگی های نقطه و کانتور را در نظر بگیریم.

تطبیق بر اساس ویژگی های نقطه.

مزایای اصلی استفاده از نقاط مشخصه برای کارهای شناسایی، سادگی و سرعت استخراج (در مقایسه با سایر ویژگی های مورد استفاده) است. علاوه بر این، همیشه نمی‌توان سایر ویژگی‌های مشخصه را در تصاویر برجسته کرد (محورها یا مناطق خوب و واضح)، در حالی که ویژگی‌های محلی را می‌توان در اکثریت قریب به اتفاق موارد تشخیص داد.

وظیفه تشخیص یک شی در یک تصویر به یافتن نقاط مشخصه و تثبیت موقعیت نسبی آنها کاهش می یابد. این مراحل ابتدا روی تصویر مرجع، سپس روی تصویر مورد مطالعه، اغلب در یک منطقه جستجوی محدود خاص انجام می شود. طرح کلی الگوریتم برای یافتن نقاط مربوطه شامل چندین مرحله است:

انتخاب ویژگی های نقطه ای در تصاویر.

تشکیل بردارهای علائم نقاط.

مقایسه نقاط در فضای ویژگی.

انتخاب و توصیف نقاط مشخصه در تصویر مرحله اولیه و کلیدی در الگوریتم شناسایی است که نتیجه کل الگوریتم به آن بستگی دارد. این مرحله قبلاً در بخش 4.1 مورد بحث قرار گرفت.

با این حال، مهم نیست که ثابت‌ها چقدر پیچیده باشند، آن‌ها هنوز نمی‌توانند به طور منحصربه‌فرد یک شی را در موارد 100$(\%) مشخص کنند. ابهامات، یعنی مواردی که اشیاء مختلف (نقاط، مناطق) در تصویر با پارامترهای بسیار مشابه مشخص می شوند، می توانند با ناقص بودن متغیرهای انتخابی، با وضوح یا نویز کم در تصویر مرتبط باشند. ابهامات نیز زمانی ایجاد می شود که اشیاء تکرار شونده در تصویر وجود داشته باشد. یکی از راه‌های حل ابهامات، ایجاد متغیرهای ثابت یا توصیفگرهای دیگر است. این جهت در میان محققان درگیر در بینایی ماشین بسیار مرتبط است. رویکرد موازی استفاده از روابط فضایی بین اشیا است.

الگوریتم‌های مبتنی بر روابط فضایی، که به سطح پردازش بالاتری نسبت به الگوریتم‌های شطرنجی تعلق دارند، با مقاومت بالاتر در برابر اعوجاج‌های هندسی و رادیومتری مختلف مشخص می‌شوند. یکی از شاخص های "صحت" جفت یافت شده می تواند تجمع در اطراف نقاطی باشد که چنین جفت هایی را تشکیل می دهند، تعداد زیادی از نقاط دیگر که به درستی مطابقت دارند. معیار دیگری که بر اساس آن می توان پیوندهای نادرست را از بین برد

توزیع نقاط کلیدی

نقاط، ممکن است ترتیبی از نقاط نسبت به خطوط وجود داشته باشد. این بخش فیلترهای متریک و توپولوژیکی را مورد بحث قرار می دهد که مطابق با موقعیت نسبی اشیاء در تصویر را رد می کنند.

تطبیق متریک

به منظور بررسی صحت جفت شدن نامزدها، اطلاعات اضافی در مورد آرایش فضایی متقابل نقاط در صفحه تصویر درگیر است. به عبارت دیگر، آرایش فضایی نقاط در تصاویر راست و چپ باید به یک معنا مشابه باشد. آرایش فضایی را می توان به عنوان یک ماتریس فاصله توصیف کرد. مجموعه ای از نقاط $A_(1)، A_(2)، \ldots، A_(i)، \ldots، A_(N)$ را در صفحه تصویر در نظر بگیرید (شکل 8).

فواصل بین نقاط را می توان به صورت ماتریس فاصله $\vert \vert r_(ij)\vert \vert $ به صورت زیر نوشت:

\[ (\begin(array)% & (A_1 ) & (A_2 ) & (...) & (A_i ) & (...) & (A_N ) \\ \hline (A_1 ) & 0 & (r_( 12) ) & (...) & (r_(1i) ) & (...) & (r_(1N) ) \\ (A_2 ) & & 0 & (...) & (r_(2i) ) & (...) & (r_(2N) ) \\ (...) & & & (...) & (...) & (...) & (...) \\ (A_i ) & & & & 0 & (...) & (r_(iN) ) \\ (...) & & & & & (...) & (...) \\ (A_N ) & & & &&& 0 \\ \پایان(آرایه) ) \]

جایی که $r_(ik) =\sqrt ((x_i -x_k)^2-(y_i -y_k)^2) $ فاصله اقلیدسی بین $A_(i)$ و $A_(k)$، $x_(i است ) $، $y_(i)$ - مختصات نقطه $A_(i)$ روی تصویر، $x_(k)$، $y_(k)$ - مختصات نقطه $A_(k)$ روی تصویر.

برای بررسی صحت تشکیل جفت نقاط مزدوج، ماتریس های فاصله چپ $\vert \vert r_(ij)^(L)\vert \vert $ و راست $\vert \vert r_(ij)^( R)\vert \vert $ تصاویر مقایسه می شوند. برای تعیین کمیت اتصال اشتباه، متغیر $\delta _(ij)$ معرفی شده است.

$$ \delta _(ij) = r_(ij)^(R) - r_(ij)^(L). $$

تجزیه و تحلیل هیستوگرام توزیع $\delta _(ij)$ تخمین مقدار آستانه رد جفت اشتباه $\Delta $ را با توجه به معیار توضیح داده شده در زیر ممکن می سازد. توجه داشته باشید که نقطه با عدد $i$ دارای اتصالات $N-1$ است و فواصل مربوطه در ماتریس $\vert \vert r_(ij)\vert \vert $ عبارتند از: $r_(1i)$, $r_( 2i)، (\ldots)، r_(ii)$، $r_(i,i+1)،(\ldots)،r_(i،N)$. بر این اساس، بردار فاصله مرتبط با عدد جفت $i$ $$ \delta_(i)=\(\delta _(1i), \delta _(2i),(\ldots), \delta_(ii) است. \ delta _(i,i+1),(\ldots), \delta _(i,N)\) $$ جایی که $$ \vert \vert \delta _(i)\vert \vert = \min\( \ delta _(1i)، \delta _(2i)، (\ldots)، \delta _(ii)، \delta _(i,i+1)، (\ldots)، \delta _(i,N) \ )$$ هنجار بردار $\delta_(i)$ است.

جفت نقطه فیلتر شده

اگر $\vert \vert \delta _(i)\vert \vert یک جفت نقطه مزدوج پذیرفته شود< \Delta $ и отклоняется в противоположном случае. Процедура проверки выполняется для каждого $i$ от $1$ до $N$. Существенно, что предложенный критерий отбора на основе анализа матрицы (5) инвариантен к вращению изображений.

به منظور کارآمدتر کردن الگوریتم، از یک هرم تصویر استفاده شده است. تقریب اولیه برای نقاط مورد علاقه در سطح بالای هرم است و سپس در سطوح بعدی با استفاده از همبستگی اصلاح می شود. نمونه ای از عملکرد الگوریتم هنگام مقایسه دو فریم ویدیوی آزمایشی در شکل 1 نشان داده شده است. 9.

تطبیق توپولوژیکی

سه مورد از اشیاء $\langle R_1^1,R_1^2,R_1^3 \rangle$ روی تصویر $V_1 $ و سه مورد مربوطه از اشیاء $\langle R_2^1,R_2^2,R_2^3 \rangle را در نظر بگیرید $ روی تصویر $ V_2 $. یک شی به عنوان ناحیه ای از تصویر، به عنوان مثال، یک "نقطه جالب" (مثلاً یک گوشه یا یک نقطه روشنایی محلی) و همسایگی آن، یا ناحیه ای با شکل پیچیده تر درک می شود.

اجازه دهید $c_v^i =\langle x_v^i ,y_v^i \rangle$ مرکز شی (منطقه) $R_v^i $ باشد. عملکرد

$$ \begin(gather)\tag(1) \textrm(side) (R_v^1 ,R_v^2 ,R_v^3)= \textrm(sign) \left(\det \left[ ((\begin(array )(*(20)c) (x_v^3 -x_v^2 ) & (x_v^1 -x_v^2 ) \\ (y_v^3 -y_v^2 ) & (y_v^3 -y_v^2 ) \\ \end(آرایه))) \right] \right) \end(جمع آوری) $$

اگر $c_v^1 $ در سمت راست بردار هدایت شده از $c_v^2 $ به $c_v^2 $ قرار داشته باشد، مقدار $-\mbox()1$ را می گیرد، یا اگر این نقطه در سمت چپ باشد، مقدار 1 را می گیرد. سمت او پس معادله

$$ \begin(gather)\tag(2) \textrm(side)(R_1^1 ,R_1^2 ,R_1^3)=\textrm(side)(R_2^1,R_2^2,R_2^3) \ پایان (جمع آوری) $$به این معنی است که نقطه $c^1$ در یک سمت بردار در هر دو تصویر قرار دارد. اگر برابری (9) برای نقطه ای برآورده نشود، می گوییم که نقطه، رابطه جانبی را نقض می کند. این اتفاق می افتد که حداقل

رابطه جانبی - - نقطه $c^1$ باید در همان سمت (اینجا - در سمت چپ) بخش جهت‌دار از $c^2$ تا $c^3$ در هر دو تصویر قرار گیرد.

حداقل یکی از این سه جسم به اشتباه به همتای خود در تصویر دیگری ارجاع داده شده است، یا اگر اشیاء همسطح نباشند و یک جابجایی دوربین در جهت عمود بر صفحه سه بعدی حاوی مراکز آنها وجود داشته باشد. در حالت دوم، نقطه ممکن است به سمت دیگر بردار حرکت کند (یعنی اختلاف منظر آن تغییر خواهد کرد)، اما این فقط با تعداد کمی از سه گانه اتفاق می افتد. نقاط $R_v^1 $، $R_v^2 $، و $R_v^3 $ برابری (9) را برآورده می‌کنند یا آن را نقض می‌کنند، صرف نظر از ترتیب ظاهر شدن آنها در سه گانه. فقط لازم است که در هر دو تصویر به یک ترتیب چرخه ای (در جهت عقربه های ساعت یا خلاف جهت عقربه های ساعت) شماره گذاری شوند. روی انجیر 10 سه گانه از نقاط متناظر را نشان می دهد که رابطه (9) را برآورده می کند.

هنگامی که تساوی (9) نقض شود، می توان نتیجه گرفت که یکی از اشیاء سه گانه به اشتباه صحافی شده است، اما در این مرحله مشخص نیست که کدام یک. یک سه گانه برای چنین نتیجه گیری کافی نیست، با این حال، با در نظر گرفتن تمام سه گانه های ممکن، می توانید اشیایی را پیدا کنید که احتمال گره خوردن نادرست آنها از دیگران بیشتر است. ایده اصلی روش ارائه شده در این است که اشیاء ناسازگار اغلب رابطه جانبی را نقض می کنند.

برابری (9) برای همه سه‌گانه دامنه‌های $\langle R^i,R^j,R^k\rangle,R^i,R^j,R^k\in \Phi _(12)$ تأیید می‌شود. $\ Phi _(12) $ مجموعه مناطقی است که هم در تصویر $V_1$ و هم در تصویر $V_2$ وجود دارد. اجازه دهید $\Phi =\left\( (i\vert R^i\in \Phi _(12) ) \right\)$. در ابتدای الگوریتم، جریمه محاسبه می شود $$ \begin(gather)\tag(3) h(i)=\sum\limits_(j,k\in \Phi \backslash i,j>k) (\left| (\textrm(side)(R_1^ i ,R_1^j ,R_1^k)-\textrm(side)(R_2^i ,R_2^j ,R_2^k)) \right|) , \end(جمع آوری) $$یعنی تعداد دفعاتی که شی $R^i$ رابطه جانبی (9) را برای همه $i\in \Phi $ نقض می کند. سپس جریمه با حداکثر تعداد تخلفات ممکن عادی می شود:

$$ \begin(gather)\tag(4) h_N (i)=\frac(h(i))((n-1)(n-2)), \quad n=\left| \Phi \راست|. \پایان (جمع آوری) $$

بر اساس (11)، ما $h_N (i)\ در $ را دریافت می کنیم. آستانه $t_(\textrm(topo)) \in $ توسط کاربر انتخاب می شود. پس از تجزیه و تحلیل جریمه برای همه اشیا، شی $R^w$ تعیین می شود، جایی که $w=\arg \max _i h_N (i)$، که رابطه (9) را بیشتر از بقیه نقض می کند. اگر $h_N (w)>t_(\textrm(topo)) $، شی $R^w$ (یعنی جفت اشیاء $R_1^w ,R_2^w)$ به اشتباه مقید شده و حذف می شود. از مجموعه $\Phi $ در هر تکرار، جریمه $h_N (i)$ بر اساس اشیاء باقیمانده در $\Phi $ دوباره محاسبه می‌شود و جفت‌هایی که بیشتر رابطه (9) را نقض می‌کنند حذف می‌شوند. این فرآیند تا زمانی ادامه می‌یابد که اشیایی برای حذف وجود داشته باشد، یعنی تا زمانی که حداکثر مقدار جریمه در مورد اشیاء باقی‌مانده از آستانه $t_(\textrm(topo))$ کمتر شود.

در طول اولین تکرارها، در حالی که در مجموعه $\Phi $ کاندیدهای کافی برای حذف وجود دارد، حتی اشیایی که به درستی پیوست شده اند می توانند مقدار جریمه بالایی داشته باشند. با این حال، برای اشیاء نادرست پیوند شده، جریمه حتی بیشتر خواهد بود. پس از حذف بدترین جفت اشیاء، $h_N (i)$ برای اشیاء باقی مانده کاهش می یابد. هنگامی که فقط جفت‌های لنگر مناسبی از اشیاء باقی می‌مانند، تغییرات اختلاف منظر کوچک همچنان به مقادیر جریمه غیر صفر منجر می‌شود.

مقدار آستانه $t_(\textrm(topo))$ بر تعداد اشیاء باقیمانده پس از فیلتر توپولوژیکی تأثیر می گذارد. مقدار صفر آستانه منجر به این واقعیت می شود که تعداد کمی از اشیاء باقی می مانند، اما همه آنها کاملاً رابطه جانبی توپولوژیکی را برآورده می کنند. این انتخاب آستانه در تصاویر نسبتاً مسطح با عمق کم منطقی است. در بیشتر موارد، باید در نظر داشت که یک مقدار آستانه کوچک منجر به اثر نامطلوب حذف اشتباه تعدادی از نقاط/منطقه‌هایی می‌شود که به اشتباه اختصاص داده شده‌اند. بر اساس آزمایش‌های متعدد با عکس‌های زمینی و هوایی، انتخاب آستانه $t_(\textrm(topo))$ از محدوده [$0(,)03$, $0(,)15$] بسیار مطلوب است.

اجازه دهید عملکرد الگوریتم را با یک مثال توضیح دهیم. اجازه دهید جفت های $50$ از نقاط پیدا شده و توسط الگوریتمی به یکدیگر گره بخورند (شکل 11). با چشم می توان تشخیص داد که تعدادی از نقاط به صورت نادرست به یکدیگر گره خورده اند، یعنی نقاطی که با یک عدد مشخص شده اند در مکان های مختلفی در سمت چپ و راست تصاویر قرار دارند.

حال اجازه دهید مختصات جفت نقاط را از فیلتر توپولوژیکی عبور دهیم با $t_(\textrm(topo)) =0(,)15$ - $21$ جفت نقطه باقی می ماند (شکل 12). اگر، با این حال، دقیق تر

جفت امتیاز 50 دلاری پیدا و به یکدیگر گره خورده است. تقریباً 2/3 مطابقت ها نادرست است

پس از اعمال فیلتر توپولوژیکی با $t_(\textrm(topo)) =0(,)15$29$، جفت نقاط به عنوان تطابق نادرست حذف می شوند و جفت $21$ باقی می ماند.

پس از اعمال فیلتر توپولوژیکی با $t_(\textrm(topo)) =0(,)05$34$، جفت نقاط به عنوان تطابق نادرست حذف می شوند و جفت های $16$ باقی می مانند.

فیلتر کردن با $t_(\textrm(topo)) = 0(,)05$، سپس $16$ جفت نقاط باقی می ماند (شکل 13)، و همه مطابقت ها درست است. هیچ منطبق معتبری حذف نشد، و این روش با موفقیت جفت‌های $34$ را فیلتر کرد، به این معنی که $68\%$ از منطبق‌های اصلی نادرست بودند.

همانطور که مشاهده می شود، روش فیلتر توپولوژیکی نسبت به مکان یابی دقیق مکانی نقاط حساس نیست. تاکید اصلی در روش بر روی موقعیت نسبی نقاط روی تصویر است.

پیچیدگی محاسباتی این روش به تعداد جفت‌های محدود شده نادرست و تا حد زیادی به تعداد اولیه جفت اشیاء محدود شده بستگی دارد. بیشترین بخش از محاسبات بر روی محاسبه تعیین کننده در فرمول (8) قرار می گیرد تا تمام سه گانه ممکن از اشیاء را بررسی کند. در مجموعه اصلی $\left| \Phi \right|=n$ از جفت‌های نامزد، لازم است $C_n^3 =\frac (n(n-1)(n-2)) (6)$ سه برابر شود، بنابراین پیچیدگی کل الگوریتم $O(n^ 3) $ است که بسیار زیاد است و این یکی از معایب روش است. با رد شدن اشیا، تعداد سه گانه های ممکن کاهش می یابد و برای سرعت بخشیدن به کار، در فرمول (10) می توان جریمه ها را مجدداً محاسبه نکرد، بلکه فقط آن عباراتی را که شامل شی حذف شده بود محاسبه کرد و سپس این موارد را کم کرد. شرایط از عبارت $h(i)$.

لازم به ذکر است که این روش با موقعیت هایی که تصویر دارای پیش زمینه و پس زمینه برجسته است به خوبی کنار نمی آید. به عنوان مثال، اگر بیشتر نواحی در پیش‌زمینه باشند، مناطق پس‌زمینه اغلب رابطه جانبی (9) را به دلیل همسطح نبودن با مناطق پیش‌زمینه نقض می‌کنند. بخشی از مناطق صحیح در این مورد رد خواهد شد.

نقشه برداری بر اساس ویژگی های کانتور.

عیب اصلی ویژگی های نقطه ای ناپایداری در برابر تغییرات رادیومتریک در تصویر است. در عین حال، این نوع اعوجاج در تصاویر واقعی کاملاً رایج است: تابش خیره کننده، سایه ها و سایر افکت های مرتبط با تغییرات در شرایط نوری، زمان یا فصل عکسبرداری. یکی دیگر از معایب ویژگی های نقطه ای، ناپایداری آنها در برابر اعوجاج های ظاهری است. این نوع تحریف در بسیاری از مسائل مورد علاقه عملی نیز دیده می شود. بنابراین، برای حل مشکلات مرجع برنامه ریزی مختصات، نیاز به درگیر کردن اطلاعات در مورد شکل خود شی به عنوان مقاوم ترین در برابر تغییرات از این نوع وجود دارد. شکل یک جسم، البته پایدارترین ویژگی آن است. یکی از دشواری های کار این است که در عمل موارد کاملاً رایجی از تغییرات فصلی در شکل طبیعی (جنگل ها، بدنه های آبی) و اشیاء مصنوعی (جاده ها) وجود دارد که با اعوجاج رادیومتری همراه نیستند. فقدان اطلاعات پیشینی در مورد مدل های تغییرات فصلی در شکل اجسام به طور قابل توجهی حل این مشکل را پیچیده می کند.

از نقطه نظر شهودی، شکل یک شی تا حد زیادی توسط مرزهای آن تعیین می شود. در یک تصویر مسطح، مرزها خطوط هستند. مطالعات روان‌شناختی نشان می‌دهد که مغز انسان هنگام تشخیص تصاویر، بیشترین میزان را بر اطلاعات کانتور متکی است. خطوط در برابر تغییرات در روشنایی، اعوجاج زاویه مقاوم تر هستند، آنها در برابر چرخش و تغییرات مقیاس ثابت هستند. از مزایای نمایش کانتور نیز می توان به کاهش قابل توجه در مقدار اطلاعات پردازش شده در هنگام مقایسه دو یا چند تصویر اشاره کرد، زیرا نقاط کانتور قسمت کوچکی از تمام نقاط تصویر را تشکیل می دهند.

در این بخش، خطوط به عنوان تغییرات واضح در روشنایی در تصاویر درک می شوند. در فرآیند استفاده از اطلاعات کانتور برای تطبیق (صحاف) خودکار تصاویر، چهار مرحله اصلی قابل تشخیص است:

1. انتخاب نقاط کانتور؛
2. ردیابی کانتور؛
3. شرح خطوط؛
4. مقایسه خطوط در فضای ویژگی انتخاب شده

روش‌های انتخاب نقاط کانتور قبلاً به تفصیل در بخش 3.4 مورد بحث قرار گرفته‌اند. مشکلات ردیابی و توصیف خطوط در بخش 4.1 مورد بحث قرار گرفت. اکنون مشکل مقایسه کانتور را در نظر بگیرید.

یکی از مشکلات کلیدی هنگام مقایسه خطوط در دو تصویر دیجیتال، انتخاب ویژگی هایی است که ویژگی های فردی کانتور را تعیین می کند. در این مورد، چندین نوع اصلی ویژگی قابل تشخیص است: متریک (طول، عرض، جهت، زاویه)، تحلیلی (موازی، راستی، انحنا)، توپولوژیک (تودرتو، همسایگی، تقاطع، مجاورت، همپوشانی). در عمل، تعداد نسبتا زیادی از ویژگی های کانتور استفاده می شود: طول، انحنا، مساحت، محیط، تعداد و موقعیت نقاط منفرد، شاخص فشردگی، موقعیت مرکز ثقل. برای ایجاد الگوریتم های تشخیص قابل اعتمادتر، توصیه می شود از ترکیبی از ویژگی های انواع مختلف استفاده کنید.

همچنین توجه داشته باشید که همیشه نمی توان تعداد کافی کانتور بسته را در تصاویر واقعی انتخاب کرد. بنابراین، برای مشکل شناسایی کانتور، بهتر است از ویژگی هایی استفاده شود که به ویژگی های بسته بودن کانتور بستگی ندارد.

بسته به ویژگی های انتخاب شده، روش های مختلفی برای مقایسه کانتور استفاده می شود.

مقایسه خطوط در نمایش طبیعی.

اجازه دهید تصویر مرجع حاوی $N$ خطوط مختلف $i=1 ,\ldots، N$ باشد، سپس $C_L ^i$ کانتور $i$-امین طول $l_L ^i$ است. ناحیه جستجو در تصویر دیگر شامل $M$ خطوط متمایز $j=1،\ldots، M$ است، سپس $C_R ^j$ $j$th خط ناحیه جستجو با طول $l_R ^j$ است. . $C_L ^i$ و $C_R ^j$ به ترتیب با توابع انحنای (عطف) $K_L (l)$ و $K_R (l)$ نشان داده می شوند.

برای حل مشکل، می توان از روش مقایسه دو کانتور استفاده کرد، که ماهیت آن این است که تابع $K_(\textrm(E))(l)$ (کانتور $C_(\textrm(E)) را به صورت متوالی جابجا کنیم. $) در امتداد تابع $K_( \textrm(OP))(l)$ (contour $C_(\textrm(OP))$)، و در هر موقعیت فعلی مقدار ضریب همبستگی نرمال شده $$ k(m، C_(\textrm(Э)) , C_ (\textrm(OP))) = \frac (\sum\limits_(i=1)^(l_\textrm(E)) (\left((K_(\textrm( E)) \left((l_i ) \ right)-\bar (K)_(\textrm(E)) ) \right)\left((K_(\textrm(OP)) \left((l_(i+ m) ) \right)-\bar (K)_(\textrm(OP)) ^m) \right)) )(\sqrt (\sum\limits_(i=1)^(l_(\textrm(E) ) ) (\left((K_(\ textrm(E)) \left((l_i ) \right)-\bar (K)_(\textrm(E)) ) \right)^2) ) \sqrt (\ sum\limits_(i=1)^( l_(\textrm(E))) (\left((K_(\textrm(OP)) \left((l_(i+m)) \راست)-\bar ( K)_(\textrm(OP)) ^m) \راست)^2) ))، $$ که در آن $m=1،\ldots، l_(\textrm(OP)) -l_(\textrm(E)) $; $K_(\textrm(E)) (l)$ - - تابع انحنای $C_(\textrm(E)) $ از کانتور. $K_(\textrm(OP)) (l)$ - - تابع انحنای $C_(\textrm(OP))$ از کانتور. $\bar (K)_(\textrm(E)) $, $\bar (K)_(\textrm(O)) ^m$ - - مقادیر متوسط ​​شدت انحنای کانتور $C_(\textrm(E )) $ و قطعه کانتور به ترتیب $C_(\textrm(OP)) $.

در این صورت لازم است که شرط زیر رعایت شود: $l_(\textrm(E))

موقعیتی که در آن به حداکثر مقدار ضریب همبستگی رسیده است ثابت است، در حالی که به جفت خطوط $C_(\textrm(E))$ و $C_(\textrm(O))$ مقدار ضریب همبستگی اختصاص داده می شود. در این موقعیت

پس از یافتن ضرایب همبستگی برای تمام خطوط منطقه جستجو، لازم است یک جفت خطوط ($C_(L) ^i$ و $C_R ^j)$ را انتخاب کنید که ضریب همبستگی حداکثر مقدار را می گیرد. با این حال، حداکثر مقدار ضریب در یک منطقه جستجوی محدود، قابلیت اطمینان نتیجه را تضمین نمی کند، بنابراین لازم است از اطلاعات اضافی در مورد موقعیت نسبی خطوط استفاده شود. استفاده از چنین اطلاعاتی امکان شناسایی هویت های جعلی را فراهم می کند.

در این کار، برای بررسی قابلیت اطمینان شناسایی، از فواصل بین مراکز ثقل خطوط استفاده شد، در حالی که از جفت خطوط پیدا شده ($C_(L)^i$، $C_R^j)$ و ($) استفاده شد. اگر $$ \ چپ| (L_(i,l) -L_(j,m) ) \right|\le \Delta , $$ که در آن $L_(i,l) $ - فاصله بین مرکز خطوط $C_(_L ) ^i است $C_(_L ) ^l$; $L_(j,m) $ - - فاصله بین مراکز ثقل خطوط $C_R ^j$ و $C_R ^m$.

این طرح برای شناسایی منحنی ها اجازه مقایسه بخش های مستطیلی کانتور را با یکدیگر نمی دهد، که البته یک نقطه ضعف روش است. این به این دلیل است که هنگام مقایسه هر دو بخش، ضریب همبستگی مقادیر نزدیک به وحدت را می گیرد. چنین ویژگی همبستگی تابع انحنای مستلزم معرفی شرایط فیلتر اضافی است. تمام بخش های مستطیلی باید از مجموعه خطوط منتخب روی تصویر حذف شوند.

مقایسه نقاط مشخصه کانتور.

اجازه دهید $N_(\textrm(E))$ از نقاط منفرد برای کانتور $C_(\textrm(E))^i$ تصویر مرجع با روشی و برای کانتور $C_(\textrm(E) پیدا شود. ))^j$ از ناحیه جستجو امتیاز $N_(\textrm(OP))$ پیدا شد. در همان زمان، ناحیه جستجوی $C_(\textrm(E))^i$ خود حاوی خطوط $N$ است. سپس هر کانتور $C^i$ را می توان به عنوان تابع $F^i (l)$ نشان داد که مقادیری غیر از صفر را فقط در نقاط مشخصه کانتور می گیرد. علاوه بر این، اگر فقط از ترتیب متقابل نقاط هنگام مقایسه خطوط استفاده شود، می توان مقادیر تابع را در نقاط منفرد برابر با یک تنظیم کرد (شکل 14).

نمایش کانتور به عنوان تابع $F(l)$

لازم است برای هر کانتور $C_L ^i$ از تصویر مرجع، خطوط مربوط به $C_R ^j$ را از ناحیه جستجو پیدا کنید.

برای حل مشکل، از روشی برای مقایسه دو کانتور استفاده می شود که ماهیت آن ترکیب متوالی نقطه $i$ از کانتور $C_(\textrm(E)) $ ($i=1,\ldots، N_(\textrm(E)))$ و $j$ نقاط کانتور $C_(\textrm(OP)) $ ($j=1، \ldots، N_(\textrm(OP)))$. در این صورت لازم است شرط $l_(\textrm(E)) باشد.

در هر موقعیت ثابت، تعداد نقاط مربوطه تعیین می شود که شرایط برای آنها وجود دارد

\begin(gather*) F_(\textrm(E)) (l_(\textrm(E)) ^i+\Delta _m)=F_(\textrm(F)) (l_(\textrm(F)) ^j+\ دلتا _m)\ne 0,\\ \Delta _m =l_(\textrm(E)) ^(i+m)-l_(\textrm(E)) ^i, \quad m=1 ,\ldots, N_( \textrm(E)) -i. \end(gather*) در نتیجه انجام $N$ عملیات مقایسه کانتور، لازم است کانتور $C_(\textrm(OP)) ^\ast $ حاوی حداکثر تعداد نقاط مربوطه را انتخاب کنید. با این حال، برای کاهش تعداد شناسایی های نادرست، لازم است حداکثر تعداد نقاط مربوطه یافت شده را از زیر محدود کنید. خطوط $C_(\textrm(E)) ^i$ و $C_(\textrm(O)) ^\ast $ اگر تعداد نقاط یافت شده بیشتر از یک آستانه معین $T$ باشد، مطابقت دارند.

این روش مقایسه یکی از سریع ترین است و نیازی به محاسبه ویژگی های اضافی در نقاط ندارد، اما قابلیت اطمینان چنین الگوریتمی کم است. ناپایداری الگوریتم به این دلیل است که برای داده های واقعی OP))^j+\Delta _m \pm \Delta E_m)\ne 0, $$ که در آن $\Delta E_m $ مقدار خطا به دلیل گسستگی داده های اولیه و تأثیر نویزهای مختلف.

یک راه جایگزین برای جستجوی نقاط متناظر در دو کانتور، طرحی است که در آن نه روشنایی، بلکه از ویژگی‌های هندسی جسم برای مقایسه استفاده می‌شود، و همه ویژگی‌ها از تابع شدت دوبعدی $I(x) محاسبه نمی‌شوند. ,y)$، اما از تابع یک بعدی $F(l)$. الگوریتم یافتن نقاط مربوطه شامل سه مرحله اصلی است:

1. انتخاب صفات؛
2. جستجو برای نقاط مربوطه در فضای ویژگی چند بعدی.
3. بررسی قابلیت اطمینان شناسایی با استفاده از موقعیت نسبی نقاط روی تصویر.

ویژگی های زیر به عنوان ویژگی های نقطه استفاده می شود: $M_(0)$، $D$، ضریب عدم تقارن. ضریب چولگی با فرمول $$ a=\frac((\bar M)_3 )(\sigma ^3)، $$ محاسبه می شود که $(\bar M)_3 $ لحظه مرکزی مرتبه سوم است.

برخلاف روش قبلی، مشکل شناسایی نقاط با استفاده از جستجوی هندسی در یک فضای ویژگی چند بعدی حل می شود. برای ویژگی های مشخص شده، اندازه شباهت نقاط در فضای ویژگی به شکل $$ S_(ij) =\frac(\vert M^(\textrm(E))_(0i) -M^(\textrm خواهد بود. (OP))_(0j ) \vert )(M_(0\max) -M_(0\min)) +\frac(\vert D^(\textrm(E))_i -D^(\textrm(OP ))_j \vert )( D_(\max) -D_(\min) ) +\frac(\vert a^(\textrm(E))_i -a^(\textrm(OP))_j \vert )( a_(\max) -a_ (\min) ) $$ جستجو برای نقاط مربوطه شامل یافتن یک جفت نقطه $\langle i,j \rangle$, $i\in C_(\textrm(E)) $, $j\in C_(\textrm(OP) ) $ که $S_(ij) $ کمترین مقدار را در ناحیه جستجوی کانتور می گیرد.

این الگوریتم شناسایی نقطه قابل اعتمادتر است. این به این دلیل است که از فاصله اقلیدسی بین نقاط برای اعتبارسنجی استفاده شده است.