Досліджено надійне виявлення ключових точок і геометричне зіставлення у високороздільних зображеннях сільськогосподарських угідь, отриманих з БПЛА. Ці дані критично важливі для моніторингу посівів, оцінювання врожайності, картування меж полів і підтримання рішень у точному землеробстві. Попри те, що ORB і SIFT є стандартом для масштабного мозаїкування та реєстрації зображень, їхню поведінку в низькотекстурних, повторюваних сценах все ще недостатньо охарактеризовано для надійного практичного застосування. Сформовано контрольовану експериментальну модель із використанням високороздільних аерофотознімків на двох висотах. Кожну пару “детектор – дескриптор” поєднано із тестом відношення Lowe та перевіркою гомографії на основі RANSAC, щоб оцінювати геометрично узгоджені відповідності.
Спочатку проаналізовано гіперпараметри ORB (n_features, scale_factor, n_levels, ratio thresholds). На аграрних зображеннях ORB виявляє вразливості: обмежена розрізнювальна здатність в однорідних текстурах спричиняє неоднозначні відповідності; низькі значення ratio thresholds пропускають хибні збіги, які RANSAC відкидає; високі значення ratio thresholds настільки зменшують множину кандидатів, що збігів залишається замало для стійкої
Ukrainian Journal of Information Technology, 66 2025, vol. 7, No. 2
моделі. Досліджено також SIFT. Його представлення у просторі масштабів краще відтворює тонкі, низькокон-трастні структури поля. Перебирання по сітці над кількістю ознак, ratio thresholds та допусками RANSAC визначило ефективну конфігурацію, що послідовно відновлювала геометрично валідні відповідності на обох висотах. На різних висотах SIFT виявляє тонкі, відтворювані ознаки, які ORB пропускає, формуючи чисті набори збігів, тоді як RANSAC відсіює залишкові невідповідності з огляду на відмінності в перспективі та локальне геометричне зміщення точок зображення.
Оптимізована зв’язка SIFT+RANSAC досягла частки збігів 100 % і зменшила кількість хибних спрацювань. ORB залишався вразливим на низькотекстурних ділянках. Методологічно дослідження показує, як кількість ознак, багатомасштабне опрацювання та пороги перевірки впливають на результати в аграрних зображеннях.
1. Yu, Z., Zhou, H., & Li, C. (2017). Fast non-rigid image feature matching for agricultural UAV via probabilistic inference with regularization techniques. [Conference paper].
2. Rublee, E., Rabaud, V., Konolige, K., & Bradski, G. (2011). ORB: An efficient alternative to SIFT or SURF. In Proceedings of the IEEE International Conference on Computer Vision (ICCV).
3. Dibs, H., Idrees, M., Saeidi, V., & Mansor, S. (2016). Automatic keypoints extraction from UAV image with refine and improved scale invariant features transform (RI-SIFT). [Conference paper].
4. Fesiuk, A., & Furgala, Y. (2023). Keypoints on the images: Comparison of detection by different methods. Electronics and Information Technologies.
5. Lowe, D. G. (2004). Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision.
6. Lingua, A., Marenchino, D., & Nex, F. (2009). Performance analysis of the SIFT operator for automatic feature extraction and matching in photogrammetric applications [Journal article].
7. Kang, P., & Ma, H. (2011). An automatic airborne image mosaicing method based on the SIFT feature matching [Conference paper].
8. Rublee, E., Rabaud, V., Konolige, K., & Bradski, G. (2011). ORB: An efficient alternative to SIFT or SURF. In Proceedings of the IEEE International Conference on Computer Vision (ICCV).
9. Baid, U. (2015). Image registration and homography estimation [Technical report].
10. Pankaj, D. S., & Nidamanuri, R. R. (2016). A robust estimation technique for 3D point cloud registration [Journal article].
11. Zhang, X., Tian, Y., Zhu, Y., et al. (2019). Rapid mosaicking of UAV images for crop growth monitoring using the SIFT algorithm [Journal article].
12. EOS Crop Monitoring (n. d.). Main map: Fields. Retrieved from https://crop-monitoring.eos.com/main-map/fields/all
13. Mur-Artal, R., Montiel, J. M. M., & Tardós, J. D. (2015). ORB-SLAM: A versatile and accurate monocular SLAM system [Journal article].
14. Dibs, H., Idrees, M., Saeidi, V., & Mansor, S. (2016). Automatic keypoints extraction from UAV image with refine and improved scale invariant features transform (RI-SIFT) [Conference paper].
15. Alcantarilla, P. F., Nuevo, J., & Bartoli, A. (2013). Fast explicit diffusion for accelerated features in nonlinear scale spaces. In Proceedings of the British Machine Vision Conference (BMVC).
16. Leutenegger, S., Chli, M., & Siegwart, R. Y. (2011). BRISK: Binary robust invariant scalable keypoints. In Proceedings of the IEEE International Conference on Computer Vision (ICCV).
17. DeTone, D., Malisiewicz, T., & Rabinovich, A. (2011). SuperPoint: Self-supervised interest point detection and description [Conference paper].
18. Bergstra, J., & Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research.