点模式的概率松弛匹配法

文章提出了一种将谱图理论、特征点的局部特征和概率松弛法相结合的特征点匹配算法。该算法通过谱方法,求出特征点匹配的初始概率;利用特征点的结构特征和灰度特征,求得初始支持度;将初始概率、初始支持度与概率松弛迭代法相结合,获得匹配结果。实验结果表明,该方法能够达到较高的匹配效果。     

一种基于QC距离的形状匹配方法

形状上下文特征描述是图像描述的一种,形状特征向量的提取和相似度量方法至关重要.提出了一种基于QC距离的形状匹配方法,首先计算所有形状轮廓点间径向和角度的相对位置关系,得到形状的特征描述分布,然后利用QC距离来度量特征分布间的相似度,最终实现形状匹配.在手写数字公测数据集MNIST上的实验结果表明,引入QC距离度量有效地提高了匹配的准确率.     

一种有效的全景图像自动拼接算法

图像拼接是基于图像绘制技术中的一种常用方法。该文用特征提取算子得到2幅图像的特征点,根据特征点邻域灰度的归一化相关性得到初始的匹配点集,利用特征点与其周边特征点之间的关系来获得更加精确匹配;利用随机采样一致性方法对匹配点集进行优化,以具有最多内点数的模型作为投影矩阵的系数。     

地貌测量中图像特征的匹配算法

针对地貌测量重构中的图像特征匹配问题,提出了一种新的图像特征匹配方法.通过对待匹配的资源和模板图像进行分区,并根据灰度相关值实现区域之间的匹配,在区域匹配的基础上再根据角点所属区域的对应关系进行角点特征匹配运算.在角点特征匹配过程中,利用去均值归一化相关法进行区域灰度相关运算,从而确定出初始匹配点对.为消除初始匹配角点对中的错误匹配点对,保证角点特征提取的准确性和可靠性,采用松弛迭代法、零交叉法以及最小平方中值法进行了错误匹配角点的滤除.实验结果表明,该算法可有效提高地貌图像特征匹配的精度和效率.     

基于形状上下文特征的植物叶图像匹配方法

提出一种将形状上下文特征应用于植物叶片图像自动识别的方法.该方法首先根据叶片形状自适应确定边界点数目,然后计算叶片的形状直方图,最后利用形状直方图计算不同目标之间的匹配相似度.实验结果验证了该方法的有效性.     

多特征融合的图像格贴近度匹配方法

针对目前基于内容的图像检索方法中存在噪声、边界划分模糊及相似匹配算法复杂而检索精度不高的问题,提出了一种多特征融合的格贴近度图像内容匹配方法。为了抑制噪声,对像素间的灰度关系S~g_(ij)与空间关系S~s_(ij)进行合成,提出了邻域窗口像素灰度特征描述子;为了对组成图像的对象的边界进行分割,设计了一个像素密度分布特征描述子;在对图像的灰度、纹理及密度特征进行融合的基础上,提出了一种格贴近度图像匹配方法,实现了两图像相似性比较。实验结果表明:在灰度图像的相似性检索中,多特征融合的格贴近度匹配方法与特征压缩匹配及兴趣区域匹配等其他方法相比,平均归一化修正检索秩低10%左右,查准率-查全率综合评价指标高5%左右,该方法不仅设计简单,而且具有较高的检索精度。     

基于尺度空间的图像匹配

采用sift算法和Harris角点检测算法,利用特征点附近的灰度信息和相关联信息,建立图像局部匹配的 准则,将图像特征点划分为多对多匹配对,根据支持强度的不同建立精确的一对一匹配关系.     

基于二维灰度图像的“非规则形体”三维重建

由二维灰度图像恢复形体的三维形状已经成为计算机视觉领域的一个研究热点,对该问题进行了深入的研究,提出了一种基于单幅图像,利用轮廓线特征点进行非规则形体三维重构的方法;该方法从一幅二维灰度图像中提取非规则形体作为研究对象,通过角点检测方法并结合检测阈值获取每条轮廓线的主次特征点;根据主特征点确定轮廓线间的形状匹配关系完成分段连接,根据次特征点并结合最小对角线优化策略完成三角面片拼接,最终实现非规则形体表面的三维重建;实验证明,该方法可以根据形体的二维灰度图像方便有效的重建出其三维形状。     

基于尺度、距离、旋转测度的角点匹配算法

针对基于模板灰度相似性测度的匹配方法抗旋转性差的缺陷,依据真实匹配角点与邻域内其他角点位置关系存在拓扑不变性,提出了一种基于尺度、距离、旋转测度的角点匹配方法.该方法首先利用相位相关法对角点进行初始匹配,而后对每对候选匹配角点进行基于尺度、距离、旋转测度的计算,利用计算后的测度函数值来判断初始匹配是否为正确匹配.实验验证了提出的角点匹配方法的匹配结果要明显好于直接基于模板灰度相似性测度的匹配方法.     

基于多分类器的牌照字符识别算法

通过对牌照特征及已有识别算法进行分析,提出了基于多分类器-模板匹配与支持向量机相结合的牌照字符识别算法。首先利用模板匹配进行粗分类,将多类问题转化成两类问题,再利用支持向量机进行精确分类。在模板匹配环节,使用灰度分布标准化,增加字符与模板的相似度。在Virtual Studio环境下进行测试,结果表明:与单一分类器相比较,该方法的识别精度与识别速度都有了很大的提高。