三维肝脏外表面模型个性化驱动方法研究

针对传统个性化肝脏模型存在的效率、精度等方面的问题,提出一种高精度肝脏模型的个性化数据驱动方法。对先前研究得到的高精度肝脏模型以及个性化肝脏CT数据分别进行加工处理,选取一些特征点;用PCA算法实现初始配准、ICP算法实现特征点的配准并以初步配准得到的初始位置为基础用改进的ICP算法计算得到两个点集之间的稠密对应关系;利用点集之间的对应关系引导肝脏模型进行RBF形变,实现肝脏模型的外表面个性化建模。实验结果表明,算法在保证模型的个性化和高精度的情况下具有一定的时间效率,可以得到理想的三维模型。     

基于改进的协方差矩阵描述子的点云配准方法

点云配准是数字化文物保护的关键一环，提高配准精度与抗噪性是文物点云配准的主要目标。针对该问题，提出一种基于协方差矩阵描述子的三维点云配准方法。使用张量投票法剔除噪声点，对剔除噪声后的点云，使用内在形状签名法提取关键点；对提取的关键点构建邻域信息，利用该信息建立协方差矩阵描述子；通过计算最近距离寻找匹配点对，使用法向量夹角对其约束，剔除误匹配点对；选取匹配点对计算变换矩阵完成粗配准，再通过迭代最近点对方法进行精配准。实验结果表明，相比于常用配准算法，本文算法配准精度更高，且适用于低重叠率模型与含噪声模型。     

利用轮廓特征的多视点几何数据配准

以三维激光扫描仪为获取数据平台,针对扫描过程中存在的数据配准问题,提出了利用轮廓特征的大规模三维场景多视点几何数据自动配准算法。首先采用自适应曲线拟合技术提取三维轮廓特征,在此基础上建立八叉树数据检索结构。引入马氏距离,以八叉树叶结点为匹配单元计算初始转换矩阵,并经ICRP算法逐步优化直至获得两视点的最佳配准。最后,采用就近原则,给出大规模三维场景多视点全局配准策略。并通过对室内、室外和古建等场景的三维配准实验,证明算法的鲁棒性。     

裂隙灯显微图像角膜的快速、自动三维重建

角膜病变大都与角膜的几何形状的改变密切相关,快速自动的显示角膜三维形状对角膜疾病的诊治具有重要意义。提出了一种基于裂隙灯显微图像的快速、自动的角膜分割、重建方法。基于蓝色分量水平投影累积量实现了角膜快速定位。采用颜色聚类分割出角膜部分。利用一种基于曲线拟合思想的方法去除大目标周围小噪声。对于病变严重的角膜我们采用面积最大的方法识别角膜,去除噪声。采用三次样条曲线插值角膜的内外表面。在基于模型的配准中,利用角膜的对称性,设计了配准模型。实现了面绘制的角膜重建。提出方法不需要人工交互,重建速度快。重建效果较好。     

ICP优化下的B样条四维CT图像弹性配准方法

为提高不同生理状态下两组四维CT图像之间配准的精度和速度,基于多分辨率B样条的自由形变模型(Free Form Deformation, FFD),提出一种使用迭代最近点(Iterative Closest Point,ICP)优化该模型的配准算法。在传统B样条之前加入ICP算法实现两组四维CT图像间的点云配准：根据分割完的两组四维CT图像生成点云数据和灰度数据,使用ICP对模型中的两组点云配准。level 1,level 2,level 3相似性测度提高率分别为：8.68%,10.46%,2.39%,速度提高率分别为：-51.89%,41.71%,81.09%,结果证明新模型在不同控制网格大小配准上精度和速度都有提高。     

#br# 解析搜索偏移量的InSAR图像精配准方法

基于插值的干涉合成孔径雷达(interferometric synthetic aperture radar,InSAR)图像配准方法能够达到亚像素精度,但配准精度取决于插值单元尺度,且计算量会随精度要求提高大幅增加。提出了一种将图像配准过程转化为连续函数优化问题的精配准方法。首先,该方法通过整合插值和互相关函数搜索过程构造了一个解析代价函数,在连续域内搜索的偏移量精度不依赖于插值单元,提高了配准精度;然后利用该代价函数对于偏移量参数的梯度信息,采用拟牛顿法来优化代价函数,快速收敛并得到与最优值对应的亚像素偏移量,具有较低的运算量。实验结果表明该方法与传统方法相比有更高的配准精度,且在计算复杂度方面有较大改善。     

基于轮廓特征的多模态医学图像的配准

多模态医学图像的配准在医学诊断和治疗计划中起着重要的作用。提出一种基于轮廓特征的迭代最近点 (SVD -ICP)的配准方法。这种方法是将最优化解析方法与迭代搜索相结合来解决图像轮廓点匹配问题的 ,适用于不同模态医学图像之间的配准。关于CT -MRI和PET -MRI图像的配准实验证明 ,该方法是有效的。     

基于空间点特征和改进Hausdorff距离的图像配准方法

在基于特征的图像配准中,针对基于边缘的Hausdorff距离计算效率低的问题,提出用能表示图像空间结构的特征点来进行Hausdorff距离计算的方法。该方法是通过检测图像中的特征点来减少匹配点集中点的数量,实验证明了该方法的有效性,以及在计算和匹配时间上要优于基于边缘特征的Hausdorff距离计算方法。针对稀疏特征点集的特点,提出了改进Hausdorff距离,该距离通过改进部分Hausdorff距离使其更加适用于稀疏点集的距离计算,实验表明该距离在抗噪等方面优于其他Hausdorff距离。     

全仿射形变下基于点特征的SAR图像配准方法

全仿射形变条件下,待配准合成孔径雷达(synthetic aperture radar, SAR)图像与参考SAR图像之间存在各向异性尺度变化,导致传统的点特征图像配准算法难以提取到足够多的匹配特征点进行图像配准。为此,提出了一种基于仿射形变矩阵分解与尺度变化矩阵估计的点特征图像配准算法。该方法首先将仿射形变矩阵分解为图像旋转矩阵、尺度变化矩阵以及常数矩阵的乘积,而后利用粒子群优化(particle swarm optimization, PSO)算法对尺度变化矩阵中的未知参数进行搜索估计,并根据估计结果对图像进行尺度规范处理,以抑制图像间的各向异性尺度变化,在此基础上再利用尺度不变特征转换(scale invariant feature transform, SIFT)算子提取匹配特征点进行配准处理。实验结果表明,与现有方法相比,对于全仿射形变条件下的SAR图像配准,本文所述算法可以提取到更多的匹配特征点,因而具有更好的配准性能。     

基于结构的SAR图像配准

由于SAR图像中相干斑的存在，使得已有用于光学遥感图像自动配准的算法往往无法直接应用。基于人工通过地物结构推毫匹配关系进行配准的想法。提出了一种基于结构的SAR图像自动配准算法，该算法首先通过检测出的点目标构造“虚拟结构”，然后再综合新提出的“虚拟结构”不变量及结构区域不变矩作为相似测度完成匹配检测，最后用LMS算法估计出变换参数从而实现SAR图像的自动配准。实验结果表明，该算法不仅能够有效实现SAR图像的自动配准，而且能有效避免SAR图像中相干斑对配准过程中特征检测和匹配造成的影响。     

基于ICP算法的非合作目标特征点云配准优化

针对视觉测量中非合作目标无法提供合作信息从而引起的位姿测量问题,采用ICP(Iterative Closest Point)算法配准不同时刻获取的点云降采样数据来完成目标的相对位姿测量。利用运动恢复结构算法获取了目标当前时刻的点云数据并比较了基于阈值匹配与光流匹配的特征点匹配算法,利用三角测量法对提取到的特征点进行重建,同时将点云数据进行降采样处理,根据降采样后的点云数据计算出不同时刻目标的相对位姿关系。实验表明当物体发生旋转运动时,对降采样数据利用ICP算法计算得到的目标绕坐标轴旋转角度最大误差不超过0.11º。     

3D face registration based on principal axis analysis and labeled regions orientation

A novel multi-view 3D face registration method based on principal axis analysis and labeled regions orientation called local orientation registration is proposed. The pre-registration is achieved by transforming the multi-pose models to the standard frontal model’s reference frame using the principal axis analysis algorithm. Some significant feature regions, such as inner and outer canthus, nose tip vertices, are then located by using geometrical distribution characteristics. These regions are subsequently employed to compute the conversion parameters using the improved iterative closest point algorithm, and the optimal parameters are applied to complete the final registration. Experimental results implemented on the proper database demonstrate that the proposed method significantly outperforms others by achieving 1.249 and 1.910 mean root-mean-square measure with slight and large view variation models, respectively.     

利用双树复小波变换和SURF的图像配准算法

为了进一步提高图像配准的运算效率、匹配正确率及配准精度,提出了一种利用双树复小波变换和加速鲁棒特征（speeded up robust features, SURF）的图像配准算法。首先利用双树复小波变换将参考图像和待配准图像分解为低频部分和高频部分,选取其对应的低频部分作为SURF算法的输入图像,得到两者的粗匹配结果;然后通过随机抽样一致（random sample consensus, RANSAC）算法对粗匹配点对进行提纯,剔除误匹配点对,解决了SURF算法存在较多错误匹配点对的问题,同时计算出最佳匹配的变换模型参数;最后根据该变换模型参数对待配准图像进行几何变换,经双线性插值确定灰度,完成图像的配准。大量实验结果表明,与尺度不变特征变换（scale invariant feature transform, SIFT）算法和SURF算法相比,所提算法的运算速度更快,匹配正确率和配准精度更高,同时在抗噪声、抗旋转及抗亮度变化性能方面更加优越。     

High speed robust image registration and localization using optimized algorithm and its performances evaluation

Local invariant algorithm applied in downward-looking image registration, usually computes the camera’s pose relative to visual landmarks. Generally, there are three requirements in the process of image registration when using these approaches. First, the algorithm is apt to be influenced by illumination. Second, algorithm should have less computational complexity. Third, the depth information of images needs to be estimated without other sensors. This paper investigates a famous local invariant feature named speeded up robust feature (SURF), and proposes a highspeed and robust image registration and localization algorithm based on it. With supports from feature tracking and pose estimation methods, the proposed algorithm can compute camera poses under different conditions of scale, viewpoint and rotation so as to precisely localize object’s position. At last, the study makes registration experiment by scale invariant feature transform (SIFT), SURF and the proposed algorithm, and designs a method to evaluate their performances. Furthermore, this study makes object retrieval test on remote sensing video. For there is big deformation on remote sensing frames, the registration algorithm absorbs the Kanade-Lucas-Tomasi (KLT) 3-D coplanar calibration feature tracker methods, which can localize interesting targets precisely and efficiently. The experimental results prove that the proposed method has a higher localization speed and lower localization error rate than traditional visual simultaneous localization and mapping (vSLAM) in a period of time.     

非刚体图像配准中一种改进的点匹配方法

为了解决在非刚体点匹配过程中，由于点集之间相对位置变化的复杂性，导致配准结果易收敛于局部最小值点的问题，提出了基于预中心配准的非刚体点匹配联合估计法。在用迭代最近点算法确定两个点集中的点之间的对应关系前，通过预先进行两个点集的中心配准的方法，可以更加合理地确定点之间的对应关系，从而使匹配结果可以最大程度地收敛于全局最优点。仿真实验表明，此方法和传统算法相比，在没有明显增加运算量的前提下，匹配效果更佳。     

基于多尺度光流融合特征点视觉-惯性SLAM方法

为提高视觉-惯性导航系统在弱纹理环境下的鲁棒性和精度, 结合特征点法精度高和光流法速度快的特点以及惯性信息, 提出一种多尺度均匀化光流融合特征点法的视觉-惯性同时定位与地图(simultaneous localization and mapping, SLAM)构建方法。首先, 改进快速特征点提取和描述(oriented fast and rotated brief, ORB)特征提取过程, 采用多尺度网格化的方法提取ORB特征点并利用四叉树均匀分配特征点, 提高特征分布离散性。其次, 在帧间采用LK(Lucas and Kanade)光流法追踪特征点进行帧间的数据关联, 在关键帧对特征点进行描述子的计算和匹配从而实现关键帧间的数据关联, 保证算法速度的同时提高定位精度和鲁棒性。最后, 基于光流法建立的数据关联得到的初始位姿为后端优化提供初始值, 整合ORB特征点重投影误差、惯性测量单元(inertial measurement unit, IMU)预积分误差以及滑动窗口先验误差构建最小化目标函数采用滑动窗口非线性优化进行求解。实验表明, 所提方法相比单目视觉惯性系统具有更高的定位精度和鲁棒性, 定位精度平均提升16.7%。     

基于Gauss滤波的多媒体图像的可视化检索

基于图像的可视化特征的图像检索和查询，是当前多媒体系统的重要研究方向。对于基于图像局部匹配的检索，传统的模板匹配和区域分割方法只能在目标图像中检索非常相似的对象，对尺度或形状有较大变化的目标则难以得到满意的结果。提出了一种不依赖于模板匹配的方法——图像的多尺度高斯滤波表示，用于图像的特征提取和局部匹配，并在分布并行索引结构下实现了该方法的快速索引和搜索算法。实验表明，该方法能够在较大尺度和视角变化范围内，更有效地进行图像的特征提取和检索，对基于图像局部区域相似性的匹配能达到较好的效果。