一种基于圈基的谱匹配算法

提出一种基于圈基的谱匹配算法.利用两幅待匹配图像的特征点分别构造一组圈基,根据圈基构造赋权邻接矩阵,并进行SVD分解,然后利用分解所得到的特征向量构造反映特征点之间匹配程度的关系矩阵和匹配概率矩阵,最后通过交替归一化将匹配概率矩阵转化为双随机矩阵的形式以获得匹配结果.模拟与真实图像实验结果均表明该方法具有可行性和有效性.     

基于马氏距离谱特征的图像匹配算法

传统的基于谱特征的图像匹配算法中,采用的欧式距离度量不能公平地反映数据样本各维度分量之间的潜在关系,并且当存在较大的形变和出格点时匹配精度和稳定性较差.为了解决谱特征构造中所存在的问题,文中提出一种基于马氏距离谱特征的图像匹配算法.该算法首先利用马氏距离在子特征点集上构造局部无向加权图;接着对图的关联邻接矩阵进行奇异值分解,用特征值向量构造描述点集属性的马氏距离谱特征;然后根据马氏距离谱特征构造出匹配矩阵,并利用贪心算法得到图像特征点之间的匹配关系;最后,为了进一步提高匹配的精度,采用SVM方法剔除误匹配点.大量实验结果表明,该算法提高了匹配的精度,并且对出格点问题具有较高的鲁棒性.     

结合空间金字塔局部特征的谱匹配算法

为提高基于谱分解的图像匹配算法的匹配精度,通过对中心对称局部二值模式(CS-LBP)进行修正,并引入空间金字塔尺度划分方法,获取图像局部特征描述向量;并以此向量之间相似性作为度量方式,重构邻接矩阵,通过谱分解获取特征点匹配关系.通过对比实验,结果表明,该算法匹配精度较高.     

LoG矩阵分解的肿瘤基因特征提取方法

伴随着基因芯片的发展,通过研究海量的基因表达谱数据来识别肿瘤已成为生物信息学研究的热点.提出一种基于LoG(Laplace of Gaussian)矩阵分解的肿瘤基因特征提取方法,该方法首先将样本数据映射为高维空间中的点,然后构建点与点之间的LoG矩阵,在保留样本分类信息的情况下,使得无结构信息的基因表达谱数据变成具有结构信息的图,再对LoG权值矩阵进行非负矩阵分解得到能够表征样本特征的特征分量,最后用KNN对样本进行分类.通过对白血病和结肠癌基因表达谱数据的特征提取,验证该文方法的可行性和有效性.     

基于图的Laplace矩阵和非负矩阵的图像分类

文章将图的Laplace矩阵和非负矩阵分解方法结合起来,应用于图像分类.对不同的图像先提取其特征点,再对提取得到的特征点构造图的Laplace矩阵,将构造的矩阵进行非负矩阵分解后得到图像的特征向量,最后将特征向量输入到PNN分类器中,对图像进行分类.对模拟图像和真实图像进行了多组实验,结果证明了该算法应用于图像分类的准...     

基于一致性随机采样的图像特征匹配鲁棒确认

误匹配点的存在影响了计算图像问变换关系的准确性,从而导致较差的图像匹配效果.通过随机采样一致性算法,提出了一种剔除错误匹配,精确确认图像匹配特征,从而计算图像间几何变换矩阵的鲁棒方法.该方法首先基于特征向量相似性准则,得到初始匹配点对,再利用特征点周围的灰度信息进行权值计算,在用随机采样一致性算法拟合几何变换矩阵的迭代过程中,得到使目标函数最小的匹配关系以筛选由噪声等引起的误匹配点对,从而精确计算图像间的几何变换关系矩阵,实现图像的精确配准.实验结果表明,该算法具有良好的噪声鲁棒性,得到了理想的图像配准效果.     

基于椭圆形度量谱特征的图像匹配算法

为了进一步提高基于谱特征的图像匹配算法的精度并拓宽其应用范围,提出了一种基于椭圆形度量谱特征的图像匹配算法.通过引入对样本数据具有更好区分性的椭圆形几何,结合数据统计特性定义了椭圆形度量.对特征点构造谱特征时,根据椭圆形相对距离选择子特征点集并构造无向加权图,对利用椭圆形度量获取的关联邻接矩阵进行谱分解,基于特征值和谱隙向量的统计量构造椭圆形度量谱特征.在特征点匹配过程中,根据椭圆形距离度量谱特征之间的相似性,建立匹配数学模型,并采用贪心算法进行求解.针对序列图像以及视角变换、形变较大图像的对比实验结果表明,所提算法的匹配正确率保持100%,优于其他谱特征匹配算法.椭圆形度量谱特征提高了匹配算法的精度,对噪声具有较高的鲁棒性.     

基于递增权函数的邻接矩阵与非负矩阵分解的图像分类方法

将递增权函数的邻接矩阵和非负矩阵分解方法相结合,应用于图像分类.首先由图像中提取的特征点构造递增权函数的邻接矩阵,再对其进行非负矩阵分解,用分解后的特征向量作为PNN分类器的输入,实现对图像的分类.算法的可行性和准确性通过模拟图像和真实图像的多组实验得到了验证.     

基于CCA的图像特征匹配算法

基于典型相关分析的思想,提出一种可以解决具有相同数目特征点的图像特征匹配算法.算法利用典型相关分析将提取的2幅图像的特征点投影到新的特征空间上,将获得的投影向量作为匹配特征构造匹配矩阵,最后根据匹配矩阵元素的大小判断特征点的匹配关系.仿真实验结果验证了该算法的有效性和稳健性.     

一种有效的全景图像自动拼接算法

图像拼接是基于图像绘制技术中的一种常用方法。该文用特征提取算子得到2幅图像的特征点,根据特征点邻域灰度的归一化相关性得到初始的匹配点集,利用特征点与其周边特征点之间的关系来获得更加精确匹配;利用随机采样一致性方法对匹配点集进行优化,以具有最多内点数的模型作为投影矩阵的系数。     

基于Harris-Hist的特征匹配及目标定位算法

针对目前机器人伺服定位抓取中定位精度和实时性较差的问题, 提出一种基于Harris-Hist的快速特征匹配及目标定位算法. 首先, 采用Harris检测算法提取图像特征点; 然后, 提出一种新的特征点描述子定义方法, 计算特征点圆形邻域内像素点灰度直方图刻画特征点, 通过计算两幅图像中各特征点描述子间的距离实 现特征匹配; 最后, 根据匹配结果, 估计单应性矩阵, 定位目标在场景图像中的位置. 实验结果表明, 该算法匹配速度快、 定位精度高, 能满足机器人伺服定位抓取中定位精度和实时性的要求.     

基于Harris-改进LBP的特征匹配及目标定位算法

为满足机器人伺服抓取中定位精度和实时性的要求, 提出一种基于Harris及改进局部二值模式(LBP)的特征匹配和目标定位快速算法. 首先采用Harris检测算法提取图像特征点; 然后提出一种新的特征点描述子定义方法, 先利用胡矩确定特征方向, 再根据特征方向对局部图像做标准化处理, 提取标准化局部图像LBP特征作为特征点描述子; 最后通过计算两张图像中各特征点描述子间的汉明距离实现特征匹配, 再根据匹配结果估计单应性矩阵, 定位目标在场景图像中的位置. 实验结果表明, 该算法匹配速度快、 定位精度高.     

一种基于Shi-Tomasi和改进LBP的特征匹配及目标定位快速算法

针对机器人伺服抓取中对定位精度和实时性均要求较高的问题, 提出一种特征匹配及目标定位快速算法. 首先, 采用Shi-Tomasi检测算法提取特征点; 其次, 提出一种新的特征描述子定义方法： 先以特征点为中心截取子图像, 利用二维Gauss函数偏导数确定特征方向, 再根据特征方向对局部图像做旋转处理, 提取旋转后标准局部图像局部二值模式作为特征描述子, 该描述子具有良好的局部性以及平移、 旋转不变性; 最后, 通过计算特征描述子间的Hamming距离实现特征匹配, 估计单应性矩阵, 定位目标在场景中的位置和方向. 实验结果表明, 该算法匹配速度快、 定位精度高、 稳定性好, 能满足机器人伺服抓取中定位精度和实时性的要求.     

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SURF-RANSAC配准的三维重建

为了提高三维重建中双目特征匹配的匹配效率和重建质量,在基于传统的加速鲁棒特征(SURF)匹配算法基础上,提出了一种基于SURF-RANSAC配准的三维重建算法。利用左右两幅图像来进行三维重建,首先通过Hessian矩阵来获取目标图像的初始特征点,并用邻近快速搜索算法完成初步的特征点匹配,然后融合随机抽样一致性算法(RANSAC)来优化匹配,最后利用三维坐标和纹理映射来完成三维重建。在Open CV上对该算法进行验证。结果表明,本文算法比传统的三维重建算法具有更高的精确度和更快的速度。     

基于视觉的火星探测器着陆运动参数估计

火星探测是我国深空探测的重要目标之一,精确估计火星探测器自主着陆时的运动参数是实现自主着陆的前提.在探测器所携带相机内参数已知的情况下,研究2幅图片中特征点之间的对应关系,得出火星探测器空间三维运动信息,以实现其运动参数估计.首先进行特征点检测,然后进行特征点匹配,根据匹配结果估计出基础矩阵F;然后进行本质矩阵的计算、姿态解算和幅值恢复,对所得运动参数进行非线性优化;最后通过仿真实验验证了上述方法的有效性.     

基于RANSAC改进算法的单目视觉里程计研究

运用SIFT算法对单目所采集的室外视频图像的相邻两帧进行了特征点的检测与匹配.采用改进的RANSAC算法对所匹配点进行了误匹配点剔除.根据相邻两帧图像特征点的跟踪以及里程计读数作为辅助信息,求解特征点的三维坐标;进而根据视觉里程计模型,达到机器人的定位.实验结果表明,该方法相比传统的里程计定位精度高,比之双目激光等定位方法,又有成本廉价的优点.