基于圆域梯度信息耦合角度相似法则的图像匹配算法

为了提高算法匹配正确度与抗仿射变换性,本文通过将图像的梯度信息引入图像匹配的过程,提出了基于圆域梯度信息耦合角度相似法则的图像匹配算法。首先,采用Forstner算子精准快速地对图像特征进行检测,获取纯度较高的特征点。然后,通过计算圆域的haar小波响应值确定主方向,并利用圆域的梯度信息获取特征向量,完成特征描述。最后,根据匹配特征的仿射不变性,利用主方向建立角度相似法则,以完成匹配。通过特征点的特征向量去除错误匹配点,获取最终的匹配结果。实验数据显示,所提算法具有较高的匹配正确率与鲁棒性,在多种几何变换下,其匹配结果中具有较多的正确匹配对,而错误匹配对数量较少。     

基于图像梯度信息强化的SIFT特征匹配算法改进

针对传统特征匹配算法匹配率低的问题, 提出一种基于图像梯度信息强化的尺度不变特征转换（SIFT）特征匹配算法的改进算法. 首先通过适当的梯度算子求出梯度图; 然后以特定权值将梯度图与原图融合, 归一化后对融合图像进行高斯模糊; 最后利用传统算法进行特征提取. 实验结果表明, 改进算法的视角、 旋转不变性明显优于原算法, 对亮度变化较大或有噪声的图像匹配率也略有提升, 有效提高了SIFT特征匹配算法的准确性.     

图像基于小波包变换的多尺度匹配算法

基于梯度算子的图像匹配方法存在收敛速度慢、迭代容易落入局部最优点等问题,针对这些问题,提出了一种基于小波包变换的多尺度图像匹配算法.该算法利用小波包的多尺度特征对图像进行不同分辨率的分解,先对低分辨率的子图像进行匹配,再根据该结果对高分辨率的子图像进行匹配.实验表明该算法匹配准确度高,计算速度较快且减小了迭代落入局部最优解的概率.     

基于形状特征的物体匹配方法研究

针对基于形状特征的物体匹配,对精尺度图像提出一种分层罔匹配算法.采用两条马尔可夫链同时对图形进行分割与匹配采样.该方法无需额外的学习训练过程,实现了将物体对象与复杂背景分离,并同时完成了匹配参数及能量计算.对粗尺度图像提出基于方向梯度直方图算子的图像匹配算法,利用物体的整体形状信息进行全局匹配,能忽略局部纹理的干扰,并具有运算速度快的优点,且与分层图匹配算法在计算尺度图像及速度上形成互补.结果表明,分层图匹配算法在100次迭代内便能实现精确匹配.     

基于FAST算子与多特征匹配的图像伪造检测算法

当前图像伪造检测算法大多采用最近邻与次近邻比值法进行特征匹配来完成图像伪造检测,存在较多的错误检测以及漏检测现象,基于此提出了一种基于FAST算子与多特征匹配的图像伪造检测算法.首先,基于FAST算法与Bresenham方法,构造以像素点为中心的圆形区域,提取图像特征;然后,通过梯度直方图统计法判定特征点的主方向,以特征点为中心建立两级同心圆,并通过求取同心圆在指定方向上的梯度特征,生成特征向量和特征描述子;最后,提取特征点的HSI颜色分量,将HSI颜色分量以及特征点的特征向量作为双重特征,设计了双重特征匹配法则,实现特征匹配.引入Hough变换,对匹配特征点进行聚类,定位伪造内容.实验结果显示,与当前图像匹配算法相比,所提算法具有更高的检测正确度与鲁棒性能.     

基于椭圆对称方向矩的可见光与红外图像配准算法

针对图像匹配制导中异源图像匹配难度大的问题,提出一种基于椭圆对称方向矩的可见光与红外图像配准算法.基于最稳定极值区域提取异源图像中具有尺度和仿射不变特性的椭圆区域,利用聚类分割方法从中自动选取具有异源不变性的同质区域特征,用椭圆对称方向矩描述区域特征边界各方向上的相似程度,通过互相关性指标进行特征匹配,获取匹配特征对,利用匹配矫正策略减少误匹配.实验结果表明:较传统算法,进一步提高了可见光与红外图像关联特征的匹配效率,正确率超过了95%,计算时间缩短了近一半.基本满足图像匹配制导对匹配算法实时性好、匹配正确率高、抗干扰能力强等要求.     

基于Contourlet变换的图像匹配算法

Contourlet变换结合了不可分离的方向滤波器组,具备多尺度和多方向特性,能有效地捕获到图像中的轮廓.提出了一种图像匹配算法,该算法充分利用了图像Contourlet变换系数的特征,形成描述纹理特征的特征向量,并将其作为匹配的特征向量,然后将该方法与基于小波变换纹理分析的方法进行了比较,试验结果表明:在Contourlet变换域上的匹配高于在小波域上的匹配,从而验证了该方法的可行性.     

基于Harris角点与SIFT的快速图像匹配算法

针对基于局部特征的图像匹配算法,当图像发生较大的旋转变化时此算法会发生匹配率下降的问题,并且随着时间、场景、遮挡、光线的变化,图像的特征会发生模糊变化,这将严重影响匹配率,因此提出了一种基于Harris角点与SIFT的快速图像匹配算法,该算法用Harris检测图像的角点,在角点邻域内筛选SIFT特征点,并且利用高斯圆形窗口对筛选过的特征点建立低维描述子.该算法不仅具备了Harris算法的高稳定性而且兼顾了SIFT算法对于旋转变化较大的图像也有着高匹配率的特性.仿真结果表明,与SIFT算法相比,本文提出的算法不仅匹配速度快,而且在图像发生模糊变化、旋转变化的情况下可得到高匹配率.     

基于有向超图的图像匹配算法

为了提高复杂变换下图模型的匹配精度,提出了一种基于有向超图的图像匹配算法.该算法首先分别在两个待匹配的特征点集中构造3一致超图,计算每条超边所包含三元组的权值,然后利用这些权值来构造加权邻接张量,最后通过凸凹松弛算法实现图像匹配.模拟和真实图像的实验结果表明,文中算法能够获得更高的匹配精度,对于复杂变换的图像也有很好的匹配效果.     

一种基于链码向量的图像匹配算法

基于特征的图像匹配算法被广泛应用于图像处理和模式识别领域中,图像特征提取以及采用的匹配算法并直接决定图像匹配的效果。为了尽可能准确的实现图像匹配,提出了一种基于链码向量的边缘特征匹配算法。首先通过改进的Laplace边缘检测算子提取图像中的边缘信息,提高了边缘检测的可靠性;然后,将提取到的边缘信息由边界链码描述,并将边界链码构造成向量,利用数学向量相似度原则进行图像匹配。实验结果表明,该匹配算法简单快速,匹配准确率高,具有较高的实用价值。