一种改进的SIFT算法及其在医学图像配准中的应用

图像特征点的提取是医学图像配准的基础,其精确性直接影响匹配的结果.目前在实际应用中常使用手工提取特征点的方法,精确性差且工作量大.SIFT算子具有良好的尺度、旋转、光照等不变特性,被广泛应用于图像配准中.由于SIFT匹配算法对特征点匹配的条件较为严格,特征点的数量常常无法满足医学图像配准的实际需要,并且存在一定的误匹配.为增加特征点的数量,提高匹配准确率,采用SIFT算法自动提取特征点,并使用特征点之间的Euclid距离作为相似性判定度量,根据医学图像的特点保留低对比度点,以实现医学图像的配准.实验结果表明该方法是有效的.     

采用非线性尺度空间滤波和SIFT的遥感影像配准方法

针对传统点特征匹配算法存在运算时间长和配准精度低的问题,提出一种基于非线性尺度空间滤波和尺度不变特征转换(SIFT)点特征配准算法.首先,通过非线性尺度空间滤波对基准影像和待配准影像分别进行预处理,保留其边缘信息并去除噪声.其次,采用SIFT算法对预处理后的两幅影像进行特征点提取,通过最近邻和次近邻的欧式距离比值法进行双向匹配,得到匹配特征点.最后,对待配准影像进行仿射变换.结果表明:该方法的总体运行时间比传统SIFT点特征配准算法降低63.2%,且配准精度大幅提高.     

基于NSST和FAST的图像配准方法

为了进一步提高图像的配准速度,提出一种基于非下采样Shearlet变换(nonsubsampled Shearlet transform,NSST)和加速分割检测特征(features from accelerated segment test,FAST)的图像配准方法.首先将参考图像和待配准图像分别通过非下采样Shearlet变换分解成高频和低频子带,对低频子带构建高斯金字塔并采用FAST算子检测图像特征点,利用加速鲁棒特征(speeded up robust features,SURF)向量描述子描述所检测的特征点并依据夹角余弦准则实现特征点的匹配.然后利用随机抽样一致(random sample consensus,RANSAC)算法剔除误匹配点对,实现图像配准.大量实验结果表明,与尺度不变特征变换(scale invariant feature transform,SIFT)算法、SURF算法、结合Shearlet和SURF的算法、改进的SURF算法相比,所提出的方法在保证一定配准精度的前提下,配准的速度大大加快.     

基于改进SIFT和SURF算法的沙丘图像配准

单个沙丘的图像配准受到沙丘图像颜色相近、纹理相似和轮廓模糊等问题困扰,常用的特征提取和特征点配准方法易产生较多的错误匹配点。为了实现有效的单个沙丘跟踪,该文提出了适用于沙丘图像的基于相似三角形原理的尺度不变特征变换(SIFT)和快速鲁棒特征(SURF)的特征点筛选算法。该算法利用暴力匹配法匹配SIFT与SURF特征点,先根据K最近邻算法(KNN)初步筛选匹配点,再利用相似三角形原理对匹配点进一步筛选。将该算法应用于库姆塔格沙漠的沙丘图像配准,实例表明所提出的算法是一种适用性强、准确率高的沙丘图像配准算法。     

一种基于PCB板图像配准优化算法

为了提高PCB缺陷检测中的图像配准精度,文章提出一种结合梯度下降算法与随机抽样一致性(random sample consensus, RANSAC)算法的改进图像配准优化方法。对得到的灰度图像使用中值滤波去除噪声,通过拉普拉斯算子提取图像边缘来突出图像细节;使用尺度不变特征变换(scale invariant feature transform, SIFT)检测算法获取图像特征点并进行特征点匹配,通过匹配的特征点对之间的距离阈值来粗选出较强匹配点,使用改进的算法精选出强匹配点,同时算出基础图像变换矩阵;最后使用梯度下降法对基础图像变换矩阵进行拟合优化。实验结果表明,该算法在PCB板图像匹配过程中可以有效减少误匹配,并能得到准确的图像变换矩阵,且图像配准速度较快,能够满足实际工业现场检测要求。     

一种基于显著性区域分割的SAR图像配准算法

针对传统SIFT算法的配准精度和配准效率易受斑点噪声和图像灰度差异影响的问题,提出一种基于显著性区域分割的SAR图像配准算法.首先基于改进的马尔可夫(MRF)算法对SAR图像进行分割,结合区域特征和边缘特征筛选出稳定的显著性区域;然后在显著性区域的边缘附近进行SIFT特征点的提取;最后通过SIFT特征点的匹配实现图像配准.实验结果表明,该方法在保证较高的配准精度的同时,提升了算法效率.     

一种改进SIFT的SAR与可见光图像配准算法

针对合成孔径雷达(synthetic aperture radar,SAR)图像与可见光图像配准存在特征点提取困难、匹配效率不高的问题,文章提出了一种基于非下采样Shearlet变换(non-subsampled shearlet transform,NSST)与改进的尺度不变特征变换(scale invariant feature transform,SIFT)结合的配准算法。该算法采用NSST变换来提取图像低频信息作为后续检测特征点的原始图像,在保证特征点提取数量的同时提升算法运行速度;选用Harris算子和指数加权平均值(ratio of exponentially weighted averages,ROEWA)边缘检测算法相结合的方法提取SAR图像特征点,改进传统SIFT算法在SAR图像特征点提取时鲁棒性较差的问题;采用快速近似最近邻搜索(fast library for approximate nearest neighbors algorithm,FLANN)与改进的随机抽样一致算法(random sampling consensus algorithm,RANSAC)完成特征点匹配与误匹配剔除。选用GF-1号与GF-3号图像作为实验数据,并与传统SIFT算法进行对比。结果表明,该算法在特征点提取数量与配准精度上相比于传统算法均有明显提高。     

基于SIFT和三角网格的VHR建筑物检测技术

传统尺度不变特征变换(scale-invariant feature transform,SIFT)算法的误配准问题导致基于该算法的建筑物检测率较低,因此提出一种改进的高分辨率(very high resolution,VHR)遥感卫星图像中建筑物的检测方法。首先通过改进传统的SIFT配准方法,使其能够更加准确地描述VHR遥感卫星图像中的建筑物信息,之后通过欧氏距离获得2幅图像的初始匹配点集,然后将配准后的一幅图像中所得到的配准点作为Delaunay三角剖分的初始点集,根据Delaunay三角剖分特性,剔除SIFT算法中误匹配的特征点,得到最终的结果。实验结果表明,研究所提出的算法可以有效地检测出一幅VHR遥感卫星图像中的建筑物信息,在时间效率、配准精度、建筑物的检测普遍性上,都能得到很好的预期效果。     

基于不变量理论的遥感图像特征匹配技术

针对现有基于特征的图像配准方法,结合不变量理论,提出了一种基于不变量理论的SIFT配准方法。该方法首先使用SIFT算法提取特征点,SIFT是对尺度缩放保持稳定的不变量。建立特征向量,根据特征向量的相似性进行匹配以获得候选匹配点。马氏距离具有仿射变换不变性,本文采用马氏距离函数作为特征的相似性度量。利用RANSAC算法在得到的新特征点对中消除错配。最后得到正确的匹配点对,对图像进行配准。实验表明：该方法可以得到更多正确的匹配点对,结果证明该方法的有效性。     

基于FAST特征点提取的图像拼接算法

针对SIFT图像拼接算法在特征点提取阶段,采用基于差分高斯金字塔的方式导致的算法运行时间较长,且易造成特征点漏检、位置偏移的问题,提出一种基于FAST特征点提取的图像拼接算法。该算法首先对拼接图像进行基于FAST算法的特征点提取,取代原有SIFT算法中特征点提取方式,然后对提取特征点进行描述和向量匹配,利用欧氏距离和RANSAC算法实现配准,最后通过加权平均融合算法完成图像拼接。仿真实验表明,该算法加快了特征点的提取速度,提高了定位准确性,更有利于得到灰度整体和谐的拼接图像。