一种水下双目视觉测距方法研究

基于改进的SIFT特征匹配算法,建立了一个水下双目视觉测距系统.围绕提高水下双目视觉测距的精度、速度和抗干扰度等,研究了图像预处理、SIFT特征匹配算法等关键技术.针对传统图像直方图均衡化结果过亮或过暗现象以及过增强的特点,提出了一种改进的结合了OTSU阈值算法的直方图均衡化方法;结合稀疏匹配搜索算法,提出一种改进的SIFT特征匹配算法对左、右目图像进行特征匹配.利用区域增长算法,分别生成了水下标定板和机械臂的伪彩色视差图像,由视差图获得了目标相应位置的距离.实验结果显示:水下标定板平均测距精确度为97.66%,利用所提方法也获得了水下机械臂的双目视差图像.     

SURF算法在局域盲人图像导航中的应用

局域盲人图像导航即在建立基准图像信息特征库的基础上,对实时拍摄图像提取特征并与基准图像特征库进行匹配,得到相应地理信息并语音输出给盲人,从而实现导航的一种方法。本文基于SURF算法对图像特征进行匹配,首先提取SURF特征点,然后采用Hessian矩阵迹快速索引匹配以及匹配点距离差平方和的相似性度量方法进行匹配。实验表明SURF匹配算法优于SIFT匹配算法,并可实现快速、鲁棒、准确匹配,为实现盲人局域图像导航奠定理论基础。     

非结构地形环境下基于特征融合的倾斜摄影测绘建模优化方法

[目的]利用无人机进行大尺度非结构地形环境测绘时,由于无人机倾斜摄影得到的图像在测绘建模时会存在仿射变形较大、透视畸变严重、局部特征变化各异等问题,进而导致建模数据匹配困难.为解决这一问题,本文提出了一种基于特征融合的倾斜摄影测绘建模优化方法.[方法]首先融合图像的颜色信息及近似最近邻快速库(fast library for approximate nearest neighbors, FLANN)优化的加速稳健特征(speed up robust feature, SURF),然后结合优化的SURF与最稳定颜色区域特征(maximally stable color regions, MSCR)实现仿射变形图像间快速准确的特征提取及匹配.[结果]本文的特征匹配算法在1.25 s内得到757个最佳匹配点;相对于基于尺度不变特征(scale-invariant feature transform, SIFT)、SIFT+MSCR和SURF的特征匹配算法,最佳匹配点的数量分别提高141%、29%和34%,匹配时间与SURF接近,远低于SIFT和SIFT+MSCR.测绘建模得到的点云与参考点在...     

一种基于不变特征的图像匹配算法

提出了一种基于图像不变特征的目标匹配算法.算法首先采用了一种改进的SIFT图像特征点提取技术提取目标的SIFT特征向量;建立改进的Kd-Tree特征结构,使用BBF搜索策略完成特征的匹配,接着建立目标的姿态变换空间对匹配点进行HOUGH聚类,去除错误的匹配点,最后对匹配点按照最小二乘法拟合出目标的姿态参数,从而完成目标的定位.实验结果表明,在目标发生平移、旋转和缩放以及场景部分遮挡、视角变化等因素引起的图像变形时,算法均能够稳定地匹配出目标.     

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。     

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SURF算法的图像复制粘贴篡改检测

由于SIFT算法的特征点检测速度较慢,而SURF算法将Haar小波响应和积分图像相结合,使得能够快速捕捉特征点的纹理特征,有比SIFT快得多的运算速度,所以采用SURF算法提取特征点。为能够有效检测目标被多次粘贴的情况,采用被称为广义2NN测试的特征点匹配算法,对由SURF获得的特征点进行匹配,找出篡改区域。最后对各种篡改情况进行实验,结果表明,SRUF算法对图像复制-粘贴篡改检测是有效性的。     

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。     

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.     

基于SIFT特征矢量图的快速图像拼接方法

为了减少图像拼接方法的计算复杂度,提出一种基于尺度不变特征变换(SIFT)特征矢量图的快速图像拼接方法.该方法首先结合相位相关算法,确定待拼接图像的重叠区域,限定SIFT特征点检测范围;然后考虑特征点的空间位置信息,构建SIFT特征矢量图像,以便在特征匹配时限制匹配点的搜索范围,快速获得匹配点对.实验结果表明,该方法减少了大量的不必要搜索,提高了图像拼接速度.     

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。     

基于Harris-Hist的特征匹配及目标定位算法

针对目前机器人伺服定位抓取中定位精度和实时性较差的问题, 提出一种基于Harris-Hist的快速特征匹配及目标定位算法. 首先, 采用Harris检测算法提取图像特征点; 然后, 提出一种新的特征点描述子定义方法, 计算特征点圆形邻域内像素点灰度直方图刻画特征点, 通过计算两幅图像中各特征点描述子间的距离实 现特征匹配; 最后, 根据匹配结果, 估计单应性矩阵, 定位目标在场景图像中的位置. 实验结果表明, 该算法匹配速度快、 定位精度高, 能满足机器人伺服定位抓取中定位精度和实时性的要求.     

基于FAST算子与多特征匹配的图像伪造检测算法

当前图像伪造检测算法大多采用最近邻与次近邻比值法进行特征匹配来完成图像伪造检测,存在较多的错误检测以及漏检测现象,基于此提出了一种基于FAST算子与多特征匹配的图像伪造检测算法.首先,基于FAST算法与Bresenham方法,构造以像素点为中心的圆形区域,提取图像特征;然后,通过梯度直方图统计法判定特征点的主方向,以特征点为中心建立两级同心圆,并通过求取同心圆在指定方向上的梯度特征,生成特征向量和特征描述子;最后,提取特征点的HSI颜色分量,将HSI颜色分量以及特征点的特征向量作为双重特征,设计了双重特征匹配法则,实现特征匹配.引入Hough变换,对匹配特征点进行聚类,定位伪造内容.实验结果显示,与当前图像匹配算法相比,所提算法具有更高的检测正确度与鲁棒性能.     

全局结构化 SIFT描述子在图像匹配中的应用

为了克服传统SIFT描述子进行图像匹配时对噪声和图像灰度的非线性变换敏感的缺点,提出了一种全局结构化SIFT描述子及其生成方法．该方法将特征点矩形区域改为以特征点为中心向外扩散的同心圆区域,计算同心圆区域10个方向的曲率累积值,建立一个描述范围为特征点尺度函数的特征向量,对其实施排序操作,赋予完全旋转尺度不变,形成全局结构化SIFT描述子．采用欧氏距离为匹配度量函数应用于图像匹配．实验结果表明：这种全局、局部结构式信息联合的思想增强了算法对图像的光照、平移、旋转等变换的鲁棒性,匹配精度提升18％,极大地改善了匹配效果．     

不同分辨率图像的角点匹配方法

针对不同分辨率图像的匹配问题,提出了一种利用高斯金字塔的一对多角点匹配方法.采用一种变形的特征描述算子(SIFT)对角点附近的图像区域进行特征提取,根据提取出的特征向量进行角点匹配,并提出一种简单有效的抽样一致性算法以剔除错误匹配点对,最后在一对多角点的匹配结果中选出最佳的匹配作为最终的角点匹配结果.实验结果表明,该算法能有效地克服分辨率的差异给匹配带来的困难,算法简单,可靠性好.     

基于 SIFT 算法的无人机遥感图像拼接技术

为了给农田研究人员提供高精度、 宽视野的图像, 在利用 SIFT(Scale-Invariant Feature Transform)算法初 步检测候选点步骤中, 加入自适应阈值去除部分候选特征点; 结合无人机图像的经纬度坐标及重叠区域位置关 系剔除部分无效特征点, 并进行特征点粗匹配; 利用随机采样一致算法消除误匹配点对, 并求解投影变换矩阵 完成相邻两幅农田遥感图像的拼接; 设计了金字塔拼接策略, 完成 128 幅高分辨率图像的拼接。 实验结果表 明, 基于 SIFT 算法, 利用改进的特征点精简方法, 特征点粗匹配时间平均减少了52%, 精匹配时间平均减少了 25%; 基于 6 个图像融合评价参数的对比实验发现, 从定性和定量两个方面, 基于多分辨率的图像融合均优于 其他融合算法。     

一种鲁棒的二进制图像特征点描述子

为了提高特征点匹配的速度,采用二进制方法生成特征点描述,并对描述子进行了尺度和旋转适应性改进.使用特征点邻域小块中随机点的强度对比生成描述,描述子的相似度以Ham-ming距离度量,以二进制运算提高算法的时间性能.为了检验算法在视角、旋转及尺度变化时的性能,采用Wall和Graffiti图像集及相应的旋转和尺度变换图像集对算法进行测试,得到该算法在各图像集上的匹配准确率,并与SURF算法得到的结果进行比较.结果表明,在2幅图像间进行特征点匹配时,该算法的特征点描述生成时间和匹配时间分别为1 043.67和4 313.36 ms,而使用SURF算法时的相应时间分别为3 950.34和9 951.03 ms,说明该算法的时间特性明显优于SURF算法.此外,在绝大多数测试集上,该算法的匹配准确率明显高于SURF算法.