基于改进SIFT算法的无人机影像匹配

针对SIFT算法特征描述符计算复杂、时间效率较低的问题,提出了一种改进的SIFT算法,并将其应用于无人机倾斜影像匹配.算法首先利用SIFT算法进行特征点检测,基于BRISK描述符对提取的特征点进行描述生成其特征描述符,并基于Hamming距离作为特征匹配的相似性测度,在此基础上,利用比值提纯法(NNDR)进行粗匹配,最后采用RANSAC算法并结合均方根误差(RMSE)进行约束,对粗匹配结果进行筛选,剔除错误匹配点对,得到精确匹配结果.为了验证该算法的有效性,利用4组无人机影像数据进行实验并与SIFT算法和SURF算法进行比较,结果表明:算法在保证较高准确率的同时能够得到亚像素级的精度,且能够有效地提升时间效率,具有较好的稳定性.     

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.     

基于双尺度SIFT描述符及搜索区域限制的图像匹配算法

针对尺度不变特征变换(SIFT)算法的匹配结果存在大量的错误匹配点对,提出一种基于双尺度SIFT描述符及搜索区域限制的图像匹配算法(DSLSR-SIFT).该方法使用双尺度描述符来计算初始匹配点集,然后加入局部搜索区域限制条件在初始匹配点集中剔除偏离区域限制条件较大的点对从而得到提炼的匹配结果.最后,利用随机抽样一致性(RANSAC)算法进行评估两种算法的匹配结果.实验结果表明,本方法比SIFT算法在匹配正确率上平均提高了17%左右,显著地提高了匹配精度.     

基于特征点局部特征值剔除误匹配特征点算法

为了解决经典的特征点匹配算法SIFT采用比率测试得到的匹配特征点集中存在大量误匹配,且对数量和准确度无法兼顾的情况,提出了基于特征点局部特征值剔除误匹配特征点算法。该算法以高阈值比率测试得到的结果为粗剔除匹配点集,基于三角形相似性原理,从该特征点集中筛选出3个匹配正确的特征点对,利用其分别在基准图像和实测图像中构建局部直角坐标系,根据匹配的特征点对在相似局部坐标系下局部特征值的相似度剔除误匹配特征点,实现精剔除。实验结果表明,本文算法可以有效的剔除SIFT算法匹配结果中的误匹配,同时,与低比率（0.6）测试匹配结果比较,准确度较高,降低了匹配正确的特征点被误剔除的概率。可见本文算法可有效的剔除误匹配特征点,获得准确度高的匹配点集。     

基于结构相似的改进SIFT图像复制 粘贴篡改检测

基于SIFT算法的复制-粘贴篡改检测方法中用广义2NN测试获得的匹配点对存在错误匹配,产生误匹配点,针对这一问题,提出了一种利用匹配点对间的结构相似性对广义2NN测试得到的匹配点对进行提纯,剔除误匹配点对,提高匹配正确率;误匹配点对的剔除,减少了匹配点对,使后续的聚类和几何评估操作减少了时间,由此提高了整个算法的执行效率;实验表明改进算法性能有较大提升。     

基于SIFT的UAV载组合宽角相机影像匹配方法

针对无人驾驶飞机UAV(Unmanned Aerial Vehicle)航空组合相机获取的大像幅影像旋偏角较大、 大尺度变化和颜色差异明显的问题, 提出基于极几何和单应约束的SIFT(Scale Invariant Feature Transform)特征多尺度LSM(Least Squares Matching)算法。该算法顶层金字塔影像采用SIFT快速匹配, 对匹配结果利用改进的RANSAC(Random Sample Consensus)算法计算影像间单应矩阵和基本矩阵; 对影像进行Harris特征提取, 根据极几何和单应约束采用双向一致性相关系数算法进行密集匹配; 通过更新单应矩阵, 设定阈值删除误匹配点; 对匹配的同名点进行最小二乘匹配获取子像素级精度。通过对具有较大旋偏角、 大尺度变化和颜色差异的3组实际航摄影像的试验对比表明, 与传统方法相比, 该算法具有较高的匹配成功率和较好的有效性。     

一种基于SIFT特征匹配的工件识别方法

为了解决平移、旋转、缩放和部分遮挡等复杂环境下的工件图像匹配识别问题,给出了一种基于SIFT(尺度不变特征变换)特征匹配的工件识别算法.该算法采用SIFT特征作为匹配特征,引入欧氏距离作为图像匹配的相似性度量,并采用设定阈值的方法剔除误配点.实验结果表明,该算法能有效解决具有平移、旋转、缩放和部分遮挡等情况下的工件匹配识别问题.     

基于尺度空间约束的融合特征点匹配方法

本文提出一种多尺度特征匹配的空间约束机制,Combinative Feature based on Constraint in scale space(CFCS SIFT),该约束机制以SIFT特征点的尺度为基础,对多尺度空间中检测到的DOG特征点与Harris角点提供匹配空间约束,以提高正确匹配点对的数量.基于该约束机制,构造了一种融合DOG特征提取、Harris角点提取原理的SIFT描述符提取与匹配方法,该方法在多尺度空间中提取DOG特征点、Harris角点,并根据特征点的空间、坐标参数获取SIF T描述符.在将DOG特征点和Harris角点相融合并生成SIFT描述符的基础上,设定尺度阈值,根据尺度阈值对检测范围进行空间约束,在约束范围内查找特征点,采用BBF(Best Bin First)算法,并用欧氏距离作为度量函数进行特征点的匹配,最后用RANSAC对匹配点对进行筛选纠错.通过大量实验证明,该算法能够找到更多匹配点对,正确匹配点对相对于不具有空间约束的融合特征点匹配方法增加了15%左右.     

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...     

一种基于仿射变换的SIFT误匹配剔除方法

针对基于尺度不变特征转换(scale invariant feature transform,SIFT)在配准过程中存在大量误匹配的问题,提出一种基于仿射变换的误匹配剔除方法.该方法首先根据SIFT算法粗匹配后得到的初始匹配点对,利用最小二乘法求解仿射变换的系数,然后通过不断迭代去除均方根误差较大点对的匹配关系.以长汀县不同时相的TM影像配准为案例的实验结果表明,所提出的方法简明高效、配准精度优于目前被广泛使用的RANSAC误匹配对剔除方法.