基于改进SIFT的视频超分辨率重建快速配准算法研究

通过改进硬件的方式来提高成像质量,在技术上实现困难且成本高昂,因此采用数字图像处理的方法来提高图像的分辨率.提出了一种改进的视频超分辨率重建的快速SIFT图像配准算法,该算法放弃对128维特征描述子的计算,而采用特征点之间的灰度相关系数来进行初始匹配,并用平面坐标欧氏距离配合匹配关联度算法来取代特征描述子进行误匹配的剔除,大大降低了计算开销.实验证明,改进算法取得了良好的配准效果,在保证配准质量的前提下,其时间开销只有基于传统SIFT特征点检测方法的1/3.     

面向单视频超分辨率重建的改进的SIFT配准算法

针对单视频超分辨率重建传统的基于SIFT特征点检测的配准,在特征匹配上占用时间很大,难于满足实时性的要求,而用于计算128维特征描述子的时间最长这一缺点,提出了一种改进的SIFT配准算法,该算法的原理为通过放弃对128维特征描述子的计算,采用特征点之间的灰度相关系数来进行初始匹配,以期大大减少计算时间,提高特征匹配速度。实验结果证明,该算法在配准结果、时间消耗上明显优于传统配置算法。     

基于改进SURF的图像配准关键算法研究

针对图像特征匹配算法维数高,实时性低的缺陷,研究了SURF特征匹配算法,并对其进行了改进。首先在图像的尺度空间中提取SURF特征点,并生成扩展的特征描述向量。然后建立KD-Tree特征结构,采用BBF查询机制进行最近邻查询实现特征点快速匹配。实验结果表明,SURF算法进行特征检测的时间是SIFT算法的1/3;使用BBF进行特征匹配,匹配速度提高了2—3倍。     

改进的SIFT耦合特征点集群的图像伪造检测算法简

针对当前图像伪造检测算法进行图像伪造检测时主要通过设定比例阀值来实现特征匹配,存在检测误差大、鲁棒性不强等不足,提出了改进的SIFT耦合特征点集群的图像伪造检测算法.首先,采用二进小波变换提取伪造图像的低频子带以用于特征点检测;然后,基于特征点邻域旋转不变纹理特性,改进了SIFT机制,生成新的特征描述子对其进行描述,减少误匹配,并提出了自适应匹配策略,通过搜索最优比例阀值,以提高算法检测精度及鲁棒性;最后,通过构建特征点的均值漂移向量,对特征点均值和特征点的偏差进行度量,实现特征点的集群,从而完成图像的伪造检测.仿真结果显示:跟当前的伪造检测方法相比,本文方法具有更高的检测精度与鲁棒性,呈现出较好的ROC特性.     

改进的SIFT耦合特征点集群的图像伪造检测算法

针对当前图像伪造检测算法进行图像伪造检测时主要通过设定比例阀值来实现特征匹配,存在检测误差大、鲁棒性不强等不足,提出了改进的SIFT耦合特征点集群的图像伪造检测算法.首先,采用二进小波变换提取伪造图像的低频子带以用于特征点检测;然后,基于特征点邻域旋转不变纹理特性,改进了SIFT机制,生成新的特征描述子对其进行描述,减少误匹配,并提出了自适应匹配策略,通过搜索最优比例阀值,以提高算法检测精度及鲁棒性;最后,通过构建特征点的均值漂移向量,对特征点均值和特征点的偏差进行度量,实现特征点的集群,从而完成图像的伪造检测.仿真结果显示:跟当前的伪造检测方法相比,本文方法具有更高的检测精度与鲁棒性,呈现出较好的ROC特性.     

联合SIFT特征点和CS-LBP特征描述子的复制粘贴篡改检测

针对现有数字图像复制-粘贴篡改检测中尺度不变特征变换(Scale Invariant Feature Transform,简称SIFT)算法计算复杂度高的问题,文章提出一种将SIFT特征点和中心对称局部二进制模式(Center Symmet-ric-Local Binary Pattern,简称CS-LBP)描述子相结合的篡改检测方法。首先提取SIFT关键点,再对每个关键点生成CS-LBP特征描述子,并利用K-D(k-dimensional)树和BBF(Best-Bin-First)搜索算法寻找符合特征匹配关系的匹配点对,判断是否存在图像区域的篡改。实验表明,与同类算法相比,所提出算法在不损失检测精度的同时有效地减少了运算量。     

基于图像锐化的SIFT图像复制粘贴篡改检测

SIFT算法提取图像的特征点多为图像目标的边缘点,对于较模糊图像而言,直接使用SIFT算法提取特征点后进行特征点匹配,会降低特征点的匹配数量和匹配正确率,甚至对于复制粘贴篡改图像不能做出正确的判断。所以,提出先对被检测图像利用梯度法进行锐化,使图像目标边缘变得清晰,再用SIFT算法提取特征点及后续操作,以提高匹配的正确率。实验表明,改进算法性能有明显提升。     

多距离特征匹配的篡改图像检测算法

为了解决当前篡改图像的检测算法主要依靠单一的特征进行描述以及欧几里德距离进行匹配,导致篡改图像的检测率较低的问题,以及在对图像复制粘贴后进行一系列后处理操作的篡改图像检测时,容易出现匹配错误和鲁棒性差的问题,采用一种多距离特征匹配的篡改图像检测算法。首先,对获取到的图像提取尺度不变特征变换(SIFT)特征,在SIFT特征待描述区域的基础上,提取具有权值旋转不变均匀性的局部二值模式(LBP)特征,构成特征描述子;其次,分别计算描述子之间的标准欧几里德距离、相关距离以及汉明距离,通过多距离匹配改进g2nn算法进行特征的初次匹配;最后,通过凝聚型分层特征聚类以及随机一致性(RANSAC)算法去除存在的错误匹配点,完成篡改图像的检测。在MICC-F220图像数据库上进行了测试,实验结果表明,与当前2种主流算法相比,总体准确率分别提高了2.86%和2.11%,对于缩放、旋转以及缩放+旋转的后处理均具有很好的鲁棒性,是一种研究复制粘贴后进行缩放和旋转后处理的篡改图像检测的有效方法。     

一种改进的SIFT图像检测与特征匹配算法

提出了一种改进的SIFT图像特征检测与匹配算法.以包含像素信息的深度图为基础,通过相应的映射关系,将深度图变成二维图像,再依据深度图每个网格顶点处的局部微分性质确定二维图像上的灰度值,得到二维灰度特征图像;利用SIFT算法对特征图像进行特征点的检测;然后将K近邻算法和双向特征匹配算法相结合,使得匹配得到的结果更加准确,误匹配对更少,并把匹配结果还原到深度图上;最后采用随机抽样一致性RANSAC算法对误匹配点对进行剔除,实现2幅图像的配准.实验结果验证了这种改进算法的鲁棒性和有效性.     

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.     

一种改进SIFT算法

针对图像特征提取算法-SIFT,特征描述器维数较高,特征匹配耗费时间较长,匹配过程中存在相同图像不能匹配和不同图像能够匹配等问题,提出了一种改进SIFT算法与KD-tree搜索匹配算法相结合的新方法。采用KD-Tree算法替代传统链表式搜索方法降低特征点匹配时间;把特征点间距离和特征描述子内积同时作为匹配标准,加入相应匹配阈值减少匹配错误率,并通过理论和实验证明采用欧几里德距离作为相似性度量具有更高的匹配成功率。实验结果表明,在图像特征匹配中,该算法能够有效减少特征匹配错误率,大幅度降低匹配时间,具有较好的实时性和鲁棒性。     

基于改进FAST检测的ORB特征匹配算法

针对ORB(oriented FAST and rotated BRIEF)特征匹配算法在实时性要求较高领域效果不佳以及在复杂光照环境下匹配精确率较低的问题,提出了一种基于改进FAST(features from accelerated segment test)检测的ORB算法。首先,对待处理的灰度图像进行分类,剔除掉部分灰度变化率较低的区域,然后提取FAST特征点并计算描述子,最后采用汉明距离完成匹配。此外,在提取FAST特征点时,设计了一种自适应半径,利用图像对比度自适应调整检测半径,当图像对比度突变时依然能够保证期望的特征点数量。实验结果表明,改进后的ORB算法匹配时间缩短了16. 47%,大幅提高了在复杂光照环境下的匹配精确率,具有较强的鲁棒性和实时性。     

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.     

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.     

改进的SIFT算法在医学图像检索中的应用研究

针对SIFT算法提取的关键点不具有结构意义、提取运算复杂,应用于医学图像检索中匹配错误率较高的缺点,提出了一种改进的Harris-SIFT算法,将SIFT算法中特征点的检测方法改为Harris角点检测。提取的关键点更均匀合理且具有结构意义,提取运算更简单。通过实验验证,改进算法减少了误匹配率,提高了检索速度。     

基于Harris尺度不变特征的图像匹配方法

文章针对图像自相似或具有对称性时SIFT匹配稳定性不高的问题,研究基于Harris尺度不变特征的图像匹配方法.为了获取更稳定的特征点,将SIFT特征描述方法引入到Harris尺度不变特征描述中,改进了基于Harris特征的匹配算法;结合简单高效的基于欧氏距离的双向匹配算法,去除了大部分的错误匹配,明显提高了匹配的稳定性...     

基于特征点校正的几何鲁棒性水印算法

提出了一种基于SIFT特征点几何校正的抗几何攻击水印算法.该算法首先利用SIFT从原始图像中提取特征点集,并将其作为密钥保存;水印在检测前,再用SIFT从含水印图像中提取特征点集,根据特征点匹配算法(欧式距离)实现两个特征点集的匹配;然后利用匹配点对的几何特性校正几何攻击,恢复含水印图像的同步性.一个可标志的二值图像水印通过量化的方式自适应地嵌入到Coutourlet变换域的低频子带中;水印提取时不用原始图像,水印存在与否不仅可以通过阈值检测,也可以通过视觉直接判定.实验结果可验证,算法对常见的图像处理攻击、几何攻击和多种组合攻击均具有较强的抵抗能力.     

基于改进Kaze特征匹配的低分辨人脸识别算法

针对普通算法难以提取低分辨人脸图像特征以实现人脸识别问题,探讨一种基于改进Kaze特征匹配的识别算法。首先,通过改进P-M扩散滤波中阈值和扩散函数来保留低分辨图像的边缘和细节,并利用加性算子分裂算法构造非线性尺度空间;其次,通过寻找不同尺度归一化后的Hessian矩阵局部极大值点来检测特征点,并使用M-SURF构造特征描述向量;最后,利用欧式距离进行特征向量的匹配实现识别分类。实验结果表明,与基于SIFT、SURF和普通Kaze特征匹配的算法相比,所探讨算法正确识别率更高,同时对噪声图像也有更好的鲁棒性。     

基于SIFT的新特征提取匹配算法

针对传统的图像匹配算法特征点不稳定和匹配时间慢的问题,提出了一种改进的尺度不变特征变换(SIFT)图像匹配算法。首先对传统的Harris角点构造高斯多尺度空间,使角点具备多尺度不变性;然后采用Canny边缘提取算法修饰Harris角点以增加稳定特征点数量;最后构造SIFT特征描述符,计算多幅图像中对应特征点描述子的欧式距离,完成特征点对的匹配。实验结果表明:相比于传统的SIFT算法和SURF算法,研究所提出的方法能够有效地提高特征点匹配精度,减少图像匹配时间。     

基于改进SIFT算法的目标识别

针对目标识别过程中识别精度不高、实时性不好的问题,提出基于尺度不变特征转换(SIFT)算法的改进算法,该算法通过研究传统的SIFT算法特征匹配正确率不高、匹配耗时过长的问题,结合Harris算子角点检测特性提出改进,在高斯差分尺度空间内直接检测角点,使得提取的特征点数目减少,计算量降低,特征点提取的显著性提高;同时使用RANSANC方法进行特征匹配约束,减少误匹配,进一步提升目标识别的正确率。为了验证提出算法的有效性,通过MATLAB对算法在尺度变化和噪声等复杂情况下的匹配效果进行实验验证,结果表明,改进的SIFT算法匹配用时大大降低、误匹配较少,匹配正确率提高,具有较强的鲁棒性,可以准确识别目标,具有良好的目标识别能力。