基于角点检测的图像匹配算法及其在图像拼接中的应用

研究了图像匹配与图像角点匹配之间的关系．并在此基础上提出一种基于角点检测的图像匹配算法，成功地应用于图像拼接中．该算法将角点作为图像的特征点，并通过角点值、邻域角点数、角点间距及参数一致性等4个指标对角点集进行逐级筛选，有效地剔除了不匹配的角点，保证了匹配精度，同时避免了传统算法中进行模板匹配的繁重计算，大大提高了匹配速度．图像拼接实验验证了本文算法的快速、准确和稳定的特性．     

基于Shearlet变换的单波段遥感图像拼接技术研究

为了实现遥感图像的拼接,利用加速鲁棒性特征(speeded up robust features,SURF)算法来提取特征点进行粗匹配,并采用RANSAC算法减少特征点的误匹配,再估计出图像间的投影矩阵,特别是在进行图像融合过程中,提出采用能够充分地反应图像细节信息的Shearlet算法,并利用客观评价准则和基于小波变换得到的融合图像进行比较。实验证明,提出的算法充分利用了单波段遥感图像的全局信息,得到的拼接图像细节信息更加丰富,能够准确地实现遥感图像的拼接。     

阵列工业图像快速拼接算法

相机阵列获取的多目图像拼接常依赖特征点的数量和空间分布情况,采用传统Harris角点检测算法提取特征点时,会产生伪角点和角点簇,影响拼接速度和精度。自定义Harris角点检测阈值,保留明显特征点,利用自适应非极大值抑制(ANMS)优化角点簇问题;再生成特征描述子,实现特征点的初步匹配,接着用随机抽样一致算法(RANSAC)去除误匹配;最后采用渐入渐出融合算法,实现了拼接图像的平滑过渡。结果表明,该算法能够快速、精确地实现工业图像拼接,具有优良的工业实用性。     

基于优化ORB算法的图像角点特征匹配方法

针对传统ORB算法的图像角点特征匹配精度不高的问题,提出基于优化ORB算法的图像角点特征匹配方法;首先使用Shi-Tomasi算法检测图像角点特征,然后使用BRIEF和SURF相融合算法生成图像角点特征双描述子序列并使用随机投影原理进行降维,最后使用优化的匹配算法进行匹配,简称ShiTomasi-SURFORB算法,仿真实验通过统计角点特征数、角点特征匹配数、角点特征正确匹配数、角点特征匹配精度、角点特征匹配精度率、图像匹配时间和图像匹配时间率共7个指标进行分析;分析结果表明:ShiTomasi-SURFORB算法与传统ORB算法相比,在图像角点特征匹配时间方面提升了9.46%,但在图像角点特征匹配精度方面提升了8.88%,为图像角点特征匹配提供了一种更加均衡的解决方案。     

基于无人机航拍图像拼接算法的优化

目的为了提高无人机航拍图像拼接的精度,深入研究了航拍图像拼接中提取特征点的算法,并对原算法加以优化.方法在图像特征点提取的SIFT算法中,设计了一种将Harris角点检测算子融入SIFT特征点提取的优化算法,优化后可以突显获取到的特征点的独特性.结果利用优化算法获取图像特征角点,可以降低实验过程中所消耗的检测时间,有效地改善了SIFT算法中匹配数据量大及过程繁琐的弱点,同时优化算法简化了图像特征点匹配的计算过程,降低了计算量,提高了实验效率.结论优化算法可以去除大量的类匹配点,使图像特征点的独特性更加明显;也提高了图像的配准精度,增强了关键点的稳定性,在关键点的匹配速度和准确率上有积极的影响.     

一种基于局部灰度匹配的无人机图像拼接算法

结合无人机图像的特点,开发了一种基于局部灰度匹配的图像拼接算法.根据无人机的飞行数据,对无人机图像进行预处理,缩小了特征点的搜索范围.然后利用图像的局部灰度算法,对提取的角特征点进行快速匹配.最后在运行速度以及特征点的匹配准确率等方面对算法进行了评价.试验结果表明,该算法较大幅度地提高了程序的运行速度,能够达到无人机图像处理的实时性的要求.该算法对无人机图像的工业化处理有帮助.     

基于改进SIFT的结构与纹理相似图像配准方法

 针对目前SIFT特征匹配算法在大面积结构和纹理相似的图像应用中存在较多的误匹配,导致图像拼接效果不理想的问题,提出了基于改进SIFT特征匹配的结构与纹理相似图像配准方法.通过结合色彩信息及空间信息进行匹配点对的筛选,进而得到更为精确的匹配点对,克服了传统SIFT算法在其寻找匹配点的过程中严重依赖灰度信息下的主方向,导致匹配的误差放大的缺点.实验结果表明,该方法提高了SIFT特征匹配的鲁棒性同时,进一步改善了拼接的效果.     

特征点稀少的炮管内膛图像拼接技术研究

针对火炮身管内膛图像特点,提出一种特征点稀少的火炮身管内膛图像拼接算法。通过Harris角点提取,进行特征点匹配,消除不良匹配点和误匹配点,利用Levenberg-Marquardt算法进行参数优化设计和双线性插值完成图像的重注册,最后采用函数加权法来处理重叠区域的图像,确保内膛图像的无缝过渡。利用Matlab和Visual C 6.0混合编程技术,开发了火炮身管内膛图像拼接软件系统,对内膛检测硬件系统采集到的跨视场内膛图像进行拼接与展开,结果表明,该算法速度较快、稳健性较好、图像配准精度较高。     

基于感知哈希与尺度不变特征变换的快速拼接算法

鉴于尺度不变特征变换(SIFT)结构复杂域,k-d树匹配算法对于高维特征计算量过大,对SIFT特征信息利用少并且匹配的结果有大量误差,因此提出一种基于感知哈希与尺度不变特征变换的快速拼接算法.首先,使用感知哈希算法,提取匹配图像与待匹配图像的HASH指纹,快速识别出两幅图像的相似部分;然后,计算并提取出相似区域SIFT特征点.在特征点匹配算法上,替换传统的k-d树算法,利用SIFT特征点的主方向以及坐标位置信息过滤掉不必要的特征点匹配,减少匹配耗时;最后,用加权最佳拼接缝图像融合算法消除突变,完成拼接.实验结果显示,本文算法提取的特征点数比传统算法更少,在匹配算法上减少计算量,同时还粗过滤了一部分误匹配,提高了匹配准确度,算法的耗时较传统方法有明显提升.     

基于角点检测的快速匹配算法

针对复杂图像的快速匹配,提出基于Shi -Tomasi角点检测的特征匹配算法.依据图像的角点特征、图像灰度和位置信息,采用最大互相关函数进行相似度计算和粗匹配,用随机样本一致性算法对匹配点对进行校正并消除错误匹配.将该算法应用于实景照片拼接,实验结果表明,对存在较大色差和形变的图像,其匹配精度为97％左右,匹配精度和速度均优于传统匹配算法.     

无人机遥感图像融合方法研究

针对待拼接的无人机遥感图像重叠区域不规则、焦距不固定、含噪声较多等问题, 在加权平均融合算法的基础上引入基于折线化思想的不规则重叠区域生成法, 减小算法误差, 并运用基于距离比的自适应算法实现权值自动匹配, 使算法在不受重叠区域形状限制的同时得到更精确的计算结果, 解决了图像拼接后融合区域分辨率低、拼接线明显的问题。仿真表明, 改进的加权平均融合算法在保持原算法快速性的同时, 达到了去除拼接缝隙、使图像融合区域过渡平滑的目的, 并获得了融合质量较好的大视野无缝拼接图像。     

基于 SIFT 算法的无人机遥感图像拼接技术

为了给农田研究人员提供高精度、 宽视野的图像, 在利用 SIFT(Scale-Invariant Feature Transform)算法初 步检测候选点步骤中, 加入自适应阈值去除部分候选特征点; 结合无人机图像的经纬度坐标及重叠区域位置关 系剔除部分无效特征点, 并进行特征点粗匹配; 利用随机采样一致算法消除误匹配点对, 并求解投影变换矩阵 完成相邻两幅农田遥感图像的拼接; 设计了金字塔拼接策略, 完成 128 幅高分辨率图像的拼接。 实验结果表 明, 基于 SIFT 算法, 利用改进的特征点精简方法, 特征点粗匹配时间平均减少了52%, 精匹配时间平均减少了 25%; 基于 6 个图像融合评价参数的对比实验发现, 从定性和定量两个方面, 基于多分辨率的图像融合均优于 其他融合算法。     

基于AOI检测系统的图像拼接技术

针对自动光学检测(AOI)在电路板元器件检测中对图像拼接的实时性要求比较高的特点,提出了简化的仿射变换模型的快速图像拼接算法.该算法利用图像特征在尺度空间具有平移、旋转和仿射不变性,借助AOI系统高精度步进电机的控制快速找到最佳匹配点,建立图像的匹配关系.实验证明,该算法简单、快速、精度高,具有场景无关性、噪音容忍度高等优点,在AOI检测中具有很强的实用性.     

基于轮廓特征区域的图像拼接改进比值算法

阐述了图像拼接技术的应用领域和各种匹配算法,研究了比值匹配算法的基本原理和优缺点,本文针对该算法易出现误匹配的问题,设计了基于轮廓特征区域的图像拼接改进比值算法,传统算法相比,该算法能够更快更准确地找到图像最佳匹配位置,解决了传统算法中误匹配的问题。实验结果证明该算法具有速度快,准确性高等特点。     

基于深度强化学习的移动机器人视觉图像分级匹配算法

针对传统移动机器人视觉图像分级匹配算法只能完成粗匹配,导致最终匹配精度较低、匹配时间较长等问题,提出一种基于深度强化学习的移动机器人视觉图像分级匹配算法.首先,利用深度强化学习网络结构中的策略网络和价值网络,共同指导浮动图像按正确方向移至参考图像;其次,在粗匹配过程中通过设计奖赏函数,实现颜色特征粗匹配;最后,在粗匹配基础上,利用改进尺度不变特征变换算法提取待匹配的图像局部特征,按相似度进行移动机器人视觉图像分级匹配.实验结果表明,该算法可有效实现图像的粗匹配与精匹配,在不同视角与尺度情况下特征检测的稳定性均较高,匹配精度高、时间短,匹配后的图像质量较好,提高了移动机器人的实际应用效果.     

基于模拟退火的多尺度岩心三维图像融合重建

在岩心图像分析中,低分辨率岩心图像能够显示较大视域,具有较好的全局代表性,而对于低尺度信息无法准确表征;高分辨率岩心图像能够准确地表征岩心的低尺度信息,但通常仅能显示较小的视域.为了能综合分析高低分辨率下的不同岩心图像,本研究提出了一种基于模拟退火,将低分辨率三维岩心图像和高分辨率二维岩心图像融合重建为高分辨率三维岩心的算法.具体地,对于给定的高分辨率二维岩心图像,首先,将低分辨率三维岩心图像进行插值放大以统一两者的点长度,统计二者在二维中的孔隙分布情况,只保留高分辨率二维岩心图像中的小尺寸孔隙,以作为训练图像;然后,在融合重建过程中将低分辨率三维岩心中的大尺寸孔隙相设置为硬数据,以两点相关函数为目标函数重建其中的小尺寸孔隙.实验结果表明,本研究提出的融合重建算法可以很好的将低分辨率岩心重建为高分辨率岩心结构,且融合重建结果有效,准确.     

一种基于特征点的图像匹配算法

本文提出一种图像特征点匹配算法，并在该算法的基础上形成构建全景图的图像拼接算法．此算法采用Harris角检测算子进行特征点提取，并为其分配特征描述符．在进行相邻图片的特征比对时，提出一种基于小波系数的特征索引算法，提高搜索效率．运用稳健的RANSAC算法将伪匹配点集合划分成为内点与外点，在内点域中精确计算图像之间的变换关系．算法的重要特点为：基于小波系数的特征索引，可以使不同图像之间匹配特征点的搜索效率显著提高．实验结果表明：该算法得到的匹配点精确，受图像的形变、噪声影响较小；图像拼接处理的效果较好，具有较高的实用价值．     

基于深度学习的白光-热成像双通道图像识别系统设计

为解决无人机图像自动识别系统对大视场角下小目标的识别准确率及实时性问题,利用深度学习卷积神经网络对热成像-白光联合图像进行目标识别。设计了一种针对具有温度特征的目标物识别系统以及双通道目标候选提名图像识别算法。充分利用热成像图中目标热源特征的HSV值,将目标物从热成像图中进行筛选、分割。通过Canny算子勾勒目标物轮廓,并标记出目标物大致区域,导入白光图像提取含有目标物的有效图像信息。利用YOLO V2算法对候选图像内目标物进行识别。通过实验表明,提出的双通道目标候选提名图像识别算法具有可行性与实用性,能够在大视场环境下对小目标进行精准快速识别,满足无人机机载系统简易、实时和准确性要求。