基于视差范围估计和改进代价的半全局匹配

针对传统半全局算法对视差范围内未知场景通常人为地设定一个视差范围造成计算资源浪费,同时利用传统Census变换进行代价计算限制视差精度的不足,提出了基于视差范围估计和改进代价的半全局匹配算法.首先,采用多种特征算子同时提取图像对的特征点,通过快速最近邻搜索进行特征点匹配,利用立体匹配的约束条件筛选匹配点,计算匹配点对的...     

一种基于极几何和单应约束的图像匹配算法

提出一种综合应用极几何和单应约束的图像特征点匹配算法,首先使用互相关法对图像特征点集进行初始匹配,然后运用RANSAC方法鲁棒地估计基本矩阵和单应矩阵并相应地剔除错误匹配点,最后利用优化后的基本矩阵和单应矩阵引导匹配以获得更多、更精确的匹配点。大量真实图像实验表明,所提出的算法能够产生更多的匹配点并具有较高的匹配精度。     

基于极线约束的角点匹配快速算法

针对同一物体从不同角度拍摄形成的不同图像的匹配问题,提出新的基于区域互信息和极线约束的角点匹配快速算法.该算法首先采用Canny边缘捡测算子提取图像边缘,再利用曲率最大原理求取局部板值完成角点检测,随后基于区域互信息测度获取角点的初始匹配;进一步采用基于极线约束及马氏距离测度的改进松弛算法完成角点的精匹配.实验表明,本算法具有较好的鲁棒性,能有效、快速.高精度的进行角点匹配.     

一种基于双向动态规划的立体匹配算法

提出了一种利用双向动态规划和视差可靠性准则的立体匹配算法.首先,提出了一种新的全局能量函数,它解决了扫描线间的不连续性,同时保护了的视差不连续边缘;其次,利用加强顺序约束和遮挡约束的双向动态规划方法来处理遮挡;最后,在利用三个可靠性准则去除伪视差点之后,使用可移动窗口方法填充伪视差点的视差获得稠密视差图.实验结果表明,该算法在深度不连续区域和大的无纹理区域均能取得很好的匹配效果.     

基于快速鲁棒性特征的景象匹配

针对光电成像制导景象匹配中图像产生较大几何形变的问题,提出了一种基于快速鲁棒性特征(speeded up robust feature, SURF)的景象匹配算法。SURF提取的图像特征具有尺度和旋转不变性,对灰度不敏感,并能快速运算。算法首先利用仿射变换对基准图像进行3D视角补偿,模拟基准图像在不同视角下的成像,以减小基准图像和实时图像间的视角差异,分别提取两图像的SURF特征,然后根据最小欧氏距离准则提取两图像间匹配的SURF特征点对,根据该特征点对估计基础矩阵,得到两图像的投影关系。仿真结果表明,该算法能够适应光电成像制导中图像的几何形变,实现稳定的景象匹配。     

结合测地线-灰度直方图的谱匹配算法

针对单纯依赖奇异值分解的谱匹配方法的局限性,提出了一种结合测地线-灰度直方图和松弛迭代的Laplace谱匹配算法。首先,利用图像待匹配点集构造Laplace矩阵,〖JP3〗通过对该Laplace矩阵进行奇异值分解,将得到的特征向量用于计算匹配概率;然后,引入具有局部特征的测地线-灰度直方图作为相容性约束,通过迭代的方式对匹配概率进行优化。实验结果表明,该算法实现了多特征、多算法的优势互补,提高了谱匹配算法的匹配精度和应用范围。     

基于颜色与空间距离的置信度传播立体匹配算法

立体匹配是计算机视觉领域的一个重要研究课题,为了得到准确、稠密的视差图,提出了一种基于颜色与空间距离的置信度传播立体匹配算法.该算法首先将立体匹配表示成马尔科夫随机场模型,然后利用置信度传播方法来解决马尔科夫随机场中的最大后验估计问题,以达到建立稠密视差图的目的.算法中利用了彩色图像的颜色与空间信息建立视差空间图,并使用削减的线性模型来定义视差图的平滑项.采用了标准测试图像进行了测试,结果表明算法具有很好的性能.     

一种基于角点匹配的视图合成方法

提出了一种基于角点匹配的视图合成方法,其基本思想是：首先,利用SUSAN方法分别提取样本图像对的角点;然后,基于归一化协方差相关准则和双向匹配方法确定样本图像对之间最佳的匹配角点集;再利用匹配角点集确定基本矩阵;最后利用基本矩阵完成视图变形。该方法合成视图无需相机参数或其他几何信息,无需人工指定对应点,合成过程实现了全自动,消除了视图合成过程所需的用户工作以及人为因素对视图合成效果的影响。     

基于视差梯度约束的匹配点提纯算法

在图像拼接过程中,粗匹配点对提纯算法RANSAC(Random Sample Consecsus,随机抽样一致性)存在计算量大,效率低等缺陷.为提高该算法提纯匹配点对的效率,基于预检验的策略,提出了基于视差梯度约束的RANSAC算法.实验结果表明,算法在不改变匹配精度的前提下,很好地提高了算法的效率.     

一种使用TPS变形模型的Laplace谱匹配算法

提出一种基于图的Laplace谱的点模式匹配算法。该方法在每次迭代过程中,利用Laplace矩阵的特征向量和双随机矩阵计算点之间的匹配概率,然后求解已知匹配点之间的TPS(thin plate spline)变换关系,再利用获得的TPS变换参数使待匹配点集相互逼近。随着点集的接近,由Laplace谱分析方法获得的匹配精度也随之提高。对真实和合成数据的实验验证了该方法的有效性。