基于改进的FREAK算法的图像特征点匹配

针对采集图像时存在尺度、光线强度以及图像间旋转的差异等现象而导致图像匹配不理想的问题,提出了改进的FREAK算法(SURF-FREAK):将SURF算法和FREAK算法结合进行图像匹配。首先,利用Hessian矩阵确定候选点,进行非极大值抑制,提取的特征点具有尺度不变信息;然后用FREAK描述子对特征点进行描述,为特征点分配方向;最后利用最近邻算法进行图像配准。改进算法经实验与传统SIFT、SURF、以及FREAK算法比较分析后得知,在图像特征点匹配准确度上有一定的提高,并且对图像的尺度差异、光照差异以及旋转差异具有良好的鲁棒性。     

一种改进的A-KAZE算法在图像配准中的应用

针对现有图像配准过程中难以保持图像的局部精度和边缘细节的问题,在A-KAZE算法的基础上提出了一种改进的图像特征提取算法AKAZE-ILDB.该算法首先利用非线性扩散滤波方程构造图像金字塔,采用快速显示扩散(FED)求得数值解,得到具有亚像素精度的图像特征点坐标;然后利用改进的LDB(ILDB)描述子构造具有尺度和旋转不变性的图像特征向量,对特征向量采用汉明距离进行KNN匹配;最后基于仿射变换模型计算空间映射参数矩阵来实现图像配准.实验结果表明:在保持相同图像特征匹配正确率的情况下,AKAZE-ILDB算法比A-KAZE算法平均配准时间缩短了300 ms;在配准精度方面,比A-KAZE算法提高了3.7%,比传统特征提取算法SURF匹配正确率提高了29%.     

尺度与特征强度自适应的SURF特征点匹配算法

为解决SURF(speeded-up robust features)图像匹配算法无法实现特征点定位精度和匹配成功率的同步提升问题,在深入研究SURF特征点的尺度、特征强度与匹配性能间关系的基础上,提出了一种特征点尺度与特征强度自适应的SURF特征点匹配算法.该算法通过不同尺度的特征点与不同的特征强度阈值相适应的特征点匹配机制,较好地保持了特征点定位精度与匹配成功率间的平衡,从而实现了高性能的SURF特征点匹配.实验结果表明:与传统的SURF算法相比,本算法能够获得更多高精度的匹配特征点对,对于基于特征点的图像配准与基于图像的三维坐标计算等图像处理算法的精度提升具有较大作用.     

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,...     

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SIFT和RANSAC的特征图像匹配方法

针对目前普通图像匹配抗干扰能力不强的问题,将尺度不变特征变换(SIFT)和随机采样一致性(RANSAC)算法结合,提出了一种适应性强的图像匹配算法。首先对图像进行SIFT特征提取,利用最优节点优先搜索并计算最近邻特征向量与次最近邻向量间的欧式距离比来加速完成特征点对预匹配。在此基础上引入随机抽样一致性(RANSAC)算法去除不可靠的匹配对。最后根据匹配点对计算出图像间透射变换的参数。实验结果表明:该匹配算法具有尺度、旋转不变性以及一定的仿射不变性、抗干扰性,可以实现目标物体匹配。     

基于Harris-Affine和SIFT特征匹配的图像自动配准

针对大失配多传感器图像,提出了一种基于SIFT(scale invariant keypoints)和Harris-Affine(H-A)互补不变特征匹配的自动配准算法.算法应用SIFT和H-A两种具有互补特性的局部不变特征,根据最近邻特征点距离与次近邻特征点距离之比确定初始匹配点对,然后利用马氏距离的仿射不变性删除误匹配特征点对,据此求取2幅源图像间的仿射变换参数.使用估计的变换矩阵把待配准图像上的所有点映射到参考图像,并对其进行重采样,实现图像的配准.实验结果表明:该算法能够快速高精度实现大失配图像的自动配准.     

基于SIFT特征点检测的低复杂度图像配准算法

针对大尺寸图像在图像配准过程中运算量大的问题,提出一种基于SIFT(scale-invariant feature transform)特征点检测的图像配准算法,检测前通过对待配准原图的下采样预处理,降低运算的复杂度,减少构建图像金字塔过程中高斯核卷积的运算量.采用BBF(best bin first)算法实现k-d树中k近邻点搜索,快速得到对应特征点的初始匹配对,再运用RANSAC(random sample consensus)算法在对误匹配对进行迭代剔除,得出能拟合所有内点变换模型参数的最优解,通过坐标变换和插值实现图像配准,并以峰值信噪比为指标衡量配准后的图像与参考图像之间的相似程度.实验结果表明,与传统的直接配准相比,在保证较好的配准效果条件下,本文方法能大幅缩短运行时间.     

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算法

目前图像配准的方法中,SIFT特征点匹配算法是目前图像特征匹配研究领域的一个热点问题。其匹配能力较强,可以处理图像间发生平移、旋转、放射变换的匹配,对任意角度拍摄的图像也具备较稳定的特征匹配能力并且极少数的特征点有偏差。因此通过参数的变化对SIFT算法的原理进行了研究以及改进,并用运算时间等数据说明该算法的有效性。     

基于特征点匹配的点云配准方法研究

针对快速点特征直方图(fast point feature histogram, FPFH)与迭代最近点(iterative closest point, ICP)算法结合的配准方法达不到精度要求的问题,文章在FPFH的基础上加入特征点的提取与匹配,使得配准精度进一步提升。该方法先通过尺度不变特征变换(scale-invariant feature transform, SIFT)算法和3DHarris算法对点云数据的特征点进行提取,再通过计算FPFH寻找对应点对,使用随机采样一致性(random sample consensus, RANSAC)算法剔除错误点对,通过奇异值分解(singular value decomposition, SVD)算法计算初始旋转矩阵和平移矩阵,最后用传统ICP精配准。结果表明,基于特征点匹配的算法相比基于特征描述的算法精度更高。     

基于小波域改进SURF的遥感图像配准算法

为了进一步加快遥感图像配准速度,同时使其配准精度有所提高,提出了一种基于小波域改进加速鲁棒特征(speeded up robust features,SURF)的遥感图像配准算法.首先采用小波变换将基准图像和待配准图像分别分解获得其低频和高频分量;然后对低频分量提出改进SURF以得到粗配准点对:采用主成分分析(principal component analysis,PCA)对描述子降维,依据双向配准准则实现特征点的粗配准;接着利用两次距离阈值不同的随机抽样一致(random sample consensus,RANSAC)算法分级筛选出精配准点对;最后运用最小二乘法拟合几何变换参数完成配准.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、多尺度配准小波域SURF算法、基于NSCT(non-subsampled contourlet transform)和SURF的算法相比,本文算法不仅配准速度大大加快,同时配准精度也得到提高.     

基于SURF算法的侧扫声呐图像配准

针对侧扫单幅声呐条带图像检测海底范围较小的问题,研究了一种基于SURF算法的侧扫声呐相邻条带图像配准方法,运用SURF算法通过程序设计实现了侧扫声呐相邻条带图像间的配准。首先对采集的原始声呐数据进行预处理,得到更为精细的声呐图像;其次,通过Hessian矩阵检测两条带图像间的特征点对;然后,在一定的尺度下,利用Haar小波确定每一个特征点的主方向及其特征描述符;最后采用最邻近次邻近法对特征点进行匹配,通过设置最近邻与次近邻的比值剔除误匹配点。实验结果显示,该算法提取特征匹配的效率高,特征点间匹配度高,图像拼接效果较好。     

特征点提取算法性能分析研究

在图像匹配中,使用特征点来描述图像,计算量小、匹配简单,而且特征点往往比较稳定,不易随光照条件和图像的平移、旋转和尺度等变化而变化。因此基于特征的图像配准方法是目前图像配准领域研究的热点。介绍了几种主流的特征点检测算法的原理,并对特征点检测算法性能进行了定量分析研究。从特征点检测速率、正确率、旋转不变性和抗噪性等方面进行了对比,研究了各种特征提取算法的优缺点。为根据不同图像质量选择合理的特征提取算法提供了良好的客观依据。     

鲁棒KAZE算法的SAR图像配准

针对传统的SIFT算法及其改进算法在多波段SAR图像匹配性能低下,对非线性扩散滤波的KAZE特征检测算法分别从构建尺度空间和特征点检测两个方面进行改进,来提高多波段SAR图像匹配性能。尺度空间构建方面:提出采用高斯引导滤波取代KAZE算法中的非线性扩散滤波,充分利用高斯引导滤波的算法实时性、尺度不变性和良好的边缘保持性来克服非线性扩散滤波构建尺度空间的算法耗时较高的问题。特征点检测方面:提出采用引入指数加权均值比例算子(ROEWA)结合多尺度Harris角点检测的改进方法,充分利用ROEWA算子抑制相干斑噪声和多尺度Harris算子计算简单、旋转、尺度不变等优点,克服了传统的梯度差分方法检测SAR图像特征点时在SAR图像强散射纹理区造成大量错误率。描述符构建阶段,在梯度比例图像上采用原始的KAZE算法相同原理构建MSURF描述符。最后通过最近邻匹配和一致性倒数(RANSAC)进行错误匹配剔除。实验结果表明本文提出的改进KAZE算法应用于SAR图像配准优于原始KAZE特征算法。     

一种基于改进的SURF算法的静态手语字母识别方法

结合Kinect传感器提出一种改进的SURF(speeded up robust features)算法进行静态手语字母识别的方法。Kinect传感器采集深度图像进行手势分割可以克服光照变化、复杂背景带来的干扰;改进的SURF算法对实时图像与模板图像的积分图进行计算分析,提取两者的SURF关键点描述符,采用最近邻匹配算法对SURF算法自有的快速索引匹配的结果进行优化,克服了角度旋转变化对手语字母识别率的影响。实验证明,该方法在应对光照变化、复杂背景、角度旋转方面有很好的鲁棒性,平均识别率为97.7%。     

基于扩散距离的SURF特征图像匹配算法

针对高维特征向量存在的使用传统欧氏距离计算最近邻匹配正确率低的问题,文章提出了一种基于SURF和扩散距离的图像匹配算法。首先用Fast Hessian检测子进行特征点检测,生成SURF特征描述向量,然后利用扩散距离代替欧氏距离进行匹配,使用随机抽样一致从候选匹配中排除错误的匹配。实验证明该算法提高了SURF算法匹配的正确率,并在图像形变、光照变化方面具有较高的鲁棒性。     

基于感知哈希与尺度不变特征变换的快速拼接算法

鉴于尺度不变特征变换(SIFT)结构复杂域,k-d树匹配算法对于高维特征计算量过大,对SIFT特征信息利用少并且匹配的结果有大量误差,因此提出一种基于感知哈希与尺度不变特征变换的快速拼接算法.首先,使用感知哈希算法,提取匹配图像与待匹配图像的HASH指纹,快速识别出两幅图像的相似部分;然后,计算并提取出相似区域SIFT特征点.在特征点匹配算法上,替换传统的k-d树算法,利用SIFT特征点的主方向以及坐标位置信息过滤掉不必要的特征点匹配,减少匹配耗时;最后,用加权最佳拼接缝图像融合算法消除突变,完成拼接.实验结果显示,本文算法提取的特征点数比传统算法更少,在匹配算法上减少计算量,同时还粗过滤了一部分误匹配,提高了匹配准确度,算法的耗时较传统方法有明显提升.     

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.     

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。