上一章節中，我們了解了有關使用 BUMS(Bottom-Up Maxima Selection)與 PRSC(Polarized Random Sample Consensus)的影像縫合之快速校正技術設計，
所以本章當中我們就針對這兩種方法與傳統的演算法來分別運算效率上的比
4-1 BUMS 運算效率模擬(Simulation of Computational Efficiency for Bottom-Up Maxima Selection)
在第三章當中我們介紹了 BUMS(Bottom-Up Maxima Selection)的方法，與 傳統演算法的不同主要在於傳統 ANMS 把特徵點的搜尋範圍從無限大往內縮回，
圖 4-1.1 測試模擬的 12 組 Pattern
表 4-1.1 縫合兩張圖的傳統 ANMS 與 BUMS 的計算效率比較
圖 4-1.2 縫合三張影像
4-2 PRSC 運算效率模擬(Simulation of Computational Efficiency for Polarized Random Sample Consensus)
在前面幾章當中我們也介紹了傳統 RANSAC 的方法與我們加強型的 PRSC 方 法，與傳統 RANSAC 方法不同的地方主要在於我們使用投票機制，因為當執行次 數到了一定程度的時候，因為使用投票機制會使得所有的匹配點標準差拉開呈現
兩極化(Polarized)的現象，哪些是正確的匹配點已經幾乎可以知道，因此我們
表 4-2.2 縫合三張圖的傳統 RANSAC 的 PRSC 的計算效率比較
Pattern 1 2 3 4 5 6 7
PRSC/RANSAC 0.42 0.09 0.51 0.09 0.08 0.37 0.46 8 9 10 11 12 Average 0.26 0.13 0.45 0.63 0.67 0.35
(a)傳統 RANSAC (b)PRSC 圖 4-2.1 傳統 RANSAC 與 PRSC 運算量比較圖
4-3 整 體 運 算 效 率 模 擬 (Simulation of Total Computational Efficiency for the Algorithm)
在最後我們當然要來比較一下傳統演算法與我們快速校正演算法在整體的 運算量上來做比較，表 4-3.1 顯示逢合兩張圖時傳統演算法與我們快速校正演算 法的計算效率比較，我們會發現至少都節省到剩下 0.445 倍的運算量，且這還只 是 Worse Case，因為在 4-1 我們曾談到我們假設傳統搜尋範圍為影像長寬的最 小值除以 10，因此比起傳統演算法真的使用無限大來做開始的搜尋，我們的快 速校正演算法又會節省更多的運算量。表 4-3.2 顯示顯示逢合三張圖時傳統演算 法與我們快速校正演算法的計算效率比較，我們會有些 Pattern 甚至多消耗了運
算量，原因是寫入三張影像的運算量平均上來講需要比寫入兩張影像的運算量多 出 1.5 倍，但整体而言比起傳統演算法仍然是有一定程度的改善，除非到最後逢 合相當多當影像，以致於我們改善的 BUMS 與 PRSC 的步驟都已經達到飽和，那麼 演算法改善程度才會趨近於飽和，圖 4-3.1 為傳統演算法與快速演算法比較圖。
表 4-3.1 縫合兩張圖時傳統演算法與我們快速演算法的計算效率比較
Pattern 1 2 3 4 5 6 7
Ours/Tradition 0.45 0.47 0.48 0.43 0.62 0.34 0.39 8 9 10 11 12 Average 0.42 0.42 0.56 0.74 0.65 0.455
表 4-3.2 縫合三張圖時傳統演算法與我們快速演算法的計算效率比較
Pattern 1 2 3 4 5 6 7
Ours/Tradition 0.42 0.44 0.43 0.45 0.59 0.38 0.40 8 9 10 11 12 Average 0.51 0.40 0.5 0.79 0.75 0.50
(a)傳統演算法 (b)快速演算法 圖 4-3.1 傳統演算法與快速演算法比較圖
4-4 轉換矩陣 H 的重覆使用性質(Reusability of Homography H)
(a)作上記號的木板 (b)絕對位置已定死的腳架
(c)拍攝第一張影像的位置 (d)移動腳架到另一組記號中 圖 4-4.1 Multi-Sensor 相對位置固定情形下，轉換矩陣重複性的實驗步驟
圖 4-4.2 轉換矩陣 H 重複性質的基底 Pattern
從頭到尾執行快速演算法了，而是全部使用式 4-3 的轉換關係式來套用在每組的
(b) 使用相同的轉換矩陣 H 所校正的影像範例二 圖 4-4.3 使用相同的轉換矩陣 H 所校正的影像