SIFT算法的改进

【目的】为了减小三维重建的重投影误差,提出一种改进的SIFT(Scale Invariant Feature Transform)算法。【方法】首先使用SIFT提取和匹配特征点,将这些匹配点作为归一化互相关(Normalized Cross-correlation,NCC)的初始匹配对;然后使用特征点的主方向对局部图像进行旋转校正;最后计算该初始匹配对NCC系数并将相似地貌中的误配点剔除。【结果】该方法剔除了大量的误配点,提高了特征点的正确匹配率和重建结果的精度。【结论】改进的SIFT算法能够得到更为准确的匹配点对,获得较好的重建效果。     

改进SIFT算法实现图像的快速匹配

为解决图像匹配耗时的问题,提出一种改进的图像匹配方案.在尺度不变特性变换(SIFT)算法的基础上,以特征点邻域灰度值的差熵大小来筛选稳定特征点,减少所需描述及匹配的不稳定特征点的数量,提高算法匹配效率.同时,改进误匹配去除算法,以大幅提高误匹配去除效率.实验结果表明,与SIFT及RANSAC相结合的图像匹配方案,或相关的改进方案相比,本方案可最大程度地保存最终匹配的特征点数量,并提高特征点匹配的实时性、匹配率及正确匹配率.     

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.     

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SIFT算子的图像匹配算法研究

针对目前基于SIFT(scale invariant feature transform)的图像匹配算法在匹配相似区域较多的可见光图像时,匹配约束条件单一,没有有效剔除误匹配点,误匹配率高的问题,提出一种匹配改进算法,针对128维SIFT特征向量,采用距离匹配和余弦相似度匹配相结合的测度方法,利用特征点方向一致性进一步降低误匹配率. 实验结果表明:改进算法对图像的缩放、旋转、光照、噪声和小尺度的视角变换均有较好的匹配效果. 与原算法相比,在保证匹配点数和匹配时间的基础上,改进算法对旋转、缩放、噪声模糊和光照变换的误匹配率平均降低10%~20%,对于小尺度的视角变换,误匹配率平均降低5%.      

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。     

复杂光照变化条件下的彩色SIFT匹配算法

为了提高复杂光照变化条件下所获取的彩色图像对的匹配效果,基于von Kries彩色变化模型,提出了一种新的彩色不变量的尺度不变特征变换(SIFT)算法.首先通过彩色空间变换获得复杂光照下的同一场景或目标的2幅或多幅图像的彩色不变量信息;然后利用SIFT算法提取彩色信息中的图像几何信息完成匹配;最后采用随机抽验一致性(RANSAC)算法消除误匹配点对,同时得到更加鲁棒和稳定的基础矩阵,以方便下一步的图像处理工作.通过理论分析和实验比较,该算法同传统的SIFT算法及其他彩色SIFT匹配算法相比,可以获得更多可靠的匹配数据以提高对图像的识别率.     

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.     

基于SIFT算法的海底图像自动拼接

针对深海海底图像光照不均,图像间变换关系复杂,图像的特征很难准确地进行描述的问题,提出一种基于SIFT算法的海底图像拼接方法。首先采用SIFT算法提取海底图像的特征点,用欧式距离比对提取出的特征点进行特征匹配,用随机抽样一致性算法,去除误匹配提高匹配效率,同时求出图像间的变换矩阵。最后采用基于高斯模型的渐入渐出融合法去缝,实现海底图像的光滑无缝拼接。实验结果表明,该方法拼接效果良好。     

SIFT辅助角点匹配的快速图像匹配算法

采用Harris角点检测算法进行图像特征检测.使用快速SIFT图像匹配方法进行图像匹配并计算基础矩阵,去除误匹配点后用SIFT图像匹配的结果对Harris角点进行定位,并用ZNCC算法对角点进行增量匹配.该算法有效地弥补了SIFT图像匹配算法的特征点只分布于非边缘区域的问题,相比单纯SIFT算法可获得更多的匹配点,并且算法时间增加较少.     

一种用于螺纹桶内壁图像拼接的匹配方法

针对传统螺纹图像匹配方法误匹配率高、难以实现图像拼接的问题,提出了基于尺度不变特征变换(SIFT)改进的匹配算法。先将采集图片进行枕形失真校正,在此基础上构建图像尺度空间,并在标定重叠区域内搜索高斯差分(DoG)金字塔的SIFT特征点。利用快速最近邻逼近搜索函数库(FLANN)匹配特征点,结合坐标比较和随机抽样一致性算法(RANSAC)进一步剔除误匹配,最终匹配正确率达到99%以上。实验结果表明:基于标定区域内的特征提取及匹配约束条件可提高匹配速度和精度。相比传统匹配方法,本文匹配方法对相似性较高的螺纹图像匹配具有鲁棒性和优越性,适用于螺纹桶内壁图像的全景拼接。     

基于SIFT和三角网格的VHR建筑物检测技术

传统尺度不变特征变换(scale-invariant feature transform,SIFT)算法的误配准问题导致基于该算法的建筑物检测率较低,因此提出一种改进的高分辨率(very high resolution,VHR)遥感卫星图像中建筑物的检测方法。首先通过改进传统的SIFT配准方法,使其能够更加准确地描述VHR遥感卫星图像中的建筑物信息,之后通过欧氏距离获得2幅图像的初始匹配点集,然后将配准后的一幅图像中所得到的配准点作为Delaunay三角剖分的初始点集,根据Delaunay三角剖分特性,剔除SIFT算法中误匹配的特征点,得到最终的结果。实验结果表明,研究所提出的算法可以有效地检测出一幅VHR遥感卫星图像中的建筑物信息,在时间效率、配准精度、建筑物的检测普遍性上,都能得到很好的预期效果。     

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SIFT算法的图像匹配对提纯方法研究

针对SIFT算法在图像匹配时会产生很多误匹配的问题,本文利用霍夫变换有效的删除了SIFT所产生的误匹配.首先,由SIFT算法粗略的完成图像匹配;然后利用霍夫变换形成等分的霍夫单元,将所有匹配按照匹配参数分配到这些霍夫单元中,把含有较少匹配对的单元格中的匹配删除.实验表明,该方法能有效的提高特征点匹配的正确率,为后续的机器人视觉导航奠定了基础.     

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SIFT特征点的目标跟踪算法

提出一种结合背景建模方法和基于SIFT特征点匹配方法的目标跟踪算法,该算法首先使用背景建模方法获得目标区域,然后对目标区域进行SIFT特征点提取,再利用特征点匹配方法实现视频目标跟踪,为了减小误配点,采用RANSAC方法来消除误配点。最后对算法进行了实验,实验结果表明,该算法可有效跟踪运动目标。     

基于改进SIFT的无人机航拍图像快速匹配

针对无人机航拍图像快速匹配问题,传统的SIFT算法复杂度高,处理时间长,为了满足实时性的要求,提出一种改进的SIFT算法.首先将特征点的矩形区域改为圆形区域,对描述子进行降维,然后借助绝对距离和余弦相似度进行双重匹配,最后再通过RANSAC算法剔除误匹配点.实验证明,改进的SIFT算法在尺度缩放、旋转、光照等情况下均有良好的匹配效果,与原算法相比,在保证匹配精度的同时很好的提高了匹配速率,验证了算法的实时性、有效性.     

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.     

基于SIFT和小波变换的图像拼接算法

提出了一种基于尺度不变特征变换(SIFT)和小波变换的图像拼接算法,以提高室外复杂场景的图像拼接质量.利用SIFT算法提取基准图像(待匹配图像)和后续图像(与基准图像进行匹配的图像)的特征点,确定特征点的位置、尺度与方向;利用128维向量对特征点进行描述;利用最近邻法完成两幅图像特征点的匹配,确定重合区域;利用基于小波变换的多分辨率方法完成对图像的拼接.实验结果表明,该方法对亮度差异较大的图像拼接效果良好,适宜于室外复杂环境的图像拼接.