基于谱特征的图像匹配算法

传统基于谱图的图像匹配算法大多利用特征点集中点的位置关系进行匹配,并未充分利用特征点周围的灰度信息,为此,文中提出了一种基于谱特征的图像匹配算法,该算法利用线图谱来反映特征点周围灰度的变化,对特征点周围的邻域点进行分层,并对每层中的点构造线图,通过线图谱获取特征点的谱特征;理论分析表明,该谱特征具有旋转不变性、亮度线性变化不变性及对噪声的较高鲁棒性.最后,利用匈牙利算法求解匹配问题,输出匹配结果.实验结果表明,文中算法具有较高的匹配精度,在待匹配图像间存在较大形变时,也可以获得较好的匹配结果.     

基于改进的FAST和FREAK的图像匹配算法

针对传统图像匹配算法匹配时间较长、误匹配率较高的问题,提出一种改进的FAST和FREAK的图像匹配算法.该算法首先在圆形邻域上不断改变像素点个数,并与其他FAST像素模板进行对比,从而建立FAST-9特征点提取方法;然后计算其FREAK局部不变特征描述符,生成特征向量;最后通过RANSAC一致性筛选剔除误匹配点.实验结果表明,本文算法与SIFT、BRIEF算法比较,图像匹配时间缩短且图像匹配精度有一定的提高,并且对图像的旋转差异、尺度差异和光照差异都具有较好的鲁棒性.     

结合空间金字塔局部特征的谱匹配算法

为提高基于谱分解的图像匹配算法的匹配精度,通过对中心对称局部二值模式(CS-LBP)进行修正,并引入空间金字塔尺度划分方法,获取图像局部特征描述向量;并以此向量之间相似性作为度量方式,重构邻接矩阵,通过谱分解获取特征点匹配关系.通过对比实验,结果表明,该算法匹配精度较高.     

基于马氏距离谱特征的图像匹配算法

传统的基于谱特征的图像匹配算法中,采用的欧式距离度量不能公平地反映数据样本各维度分量之间的潜在关系,并且当存在较大的形变和出格点时匹配精度和稳定性较差.为了解决谱特征构造中所存在的问题,文中提出一种基于马氏距离谱特征的图像匹配算法.该算法首先利用马氏距离在子特征点集上构造局部无向加权图;接着对图的关联邻接矩阵进行奇异值分解,用特征值向量构造描述点集属性的马氏距离谱特征;然后根据马氏距离谱特征构造出匹配矩阵,并利用贪心算法得到图像特征点之间的匹配关系;最后,为了进一步提高匹配的精度,采用SVM方法剔除误匹配点.大量实验结果表明,该算法提高了匹配的精度,并且对出格点问题具有较高的鲁棒性.     

基于椭圆形度量谱特征的图像匹配算法

为了进一步提高基于谱特征的图像匹配算法的精度并拓宽其应用范围,提出了一种基于椭圆形度量谱特征的图像匹配算法.通过引入对样本数据具有更好区分性的椭圆形几何,结合数据统计特性定义了椭圆形度量.对特征点构造谱特征时,根据椭圆形相对距离选择子特征点集并构造无向加权图,对利用椭圆形度量获取的关联邻接矩阵进行谱分解,基于特征值和谱隙向量的统计量构造椭圆形度量谱特征.在特征点匹配过程中,根据椭圆形距离度量谱特征之间的相似性,建立匹配数学模型,并采用贪心算法进行求解.针对序列图像以及视角变换、形变较大图像的对比实验结果表明,所提算法的匹配正确率保持100%,优于其他谱特征匹配算法.椭圆形度量谱特征提高了匹配算法的精度,对噪声具有较高的鲁棒性.     

基于网格运动统计的自适应图像特征匹配算法

针对网格运动统计(GMS)算法性能依赖特征点数量且当特征点检测较少时存在误匹配集中的问题,结合一致性约束思想,提出了一种基于网格运动统计的自适应特征匹配算法.首先对待检测图像引入网格划分,依次对每个网格区域设置自适应阈值并进行特征点检测;然后使用旋转特性的二进制描述(rBRIEF)算法对特征点描述并基于汉明距离完成特征点匹配;最后采用GMS算法做初次误匹配点剔除,利用随机抽样一致算法筛选出精确匹配点.实验结果表明:该算法能有效剔除误匹配点,提升匹配质量且实时性高,对于低纹理结构的图像匹配也具有很好的鲁棒性.     

基于提升小波变换与改进空间投影结合的图像匹配算法

针对标准投影算法在图像匹配中存在抗噪性差的缺点,文中提出了一种基于提升小波变换与改进空间投影结合的图像匹配算法.首先,通过提升小波变换得到多分辨率图像,对最低分辨率图像应用空间投影算法进行匹配,然后,将得到的粗匹配候选点集应用到高一级分辨率图像的匹配中,最后,应用归一化互相关匹配算法计算最终的精匹配点.仿真结果表明,相比其它的改进算法,该算法的匹配准确度和鲁棒性显著提高.     

基于相似度模型耦合角度制约规则的图像匹配算法

为了克服当前图像匹配方法主要通过测量距离的方法来实现图像匹配,忽略了图像间的相似度,导致算法存在错误匹配较多以及鲁棒性较差的问题。本文提出了基于相似度模型耦合角度制约规则的图像匹配算法。采用FAST检测方法对图像特征进行检测,快速获取鲁棒特征点,以改善算法的匹配正确率。随后,利用SURF特征描述机制,通过计算特征圆域内的Haar小波响应值,对特征点进行描述。引入结构相似度SSIM(structural similarity index measurement)模型,将其与欧氏距离模型相结合,构造相似度模型,从结构相似度与测量距离两方面出发,将特征点进行粗匹配。最后,利用特征点的余弦关系,求取特征点间角度,建立角度制约规则,对粗匹配结果完成优化。实验结果显示:与典型的匹配方法相比,该算法具有更好的匹配性能较好,在多种几何变换下仍具有理想的匹配精度。     

基于圆域梯度信息耦合角度相似法则的图像匹配算法

为了提高算法匹配正确度与抗仿射变换性,本文通过将图像的梯度信息引入图像匹配的过程,提出了基于圆域梯度信息耦合角度相似法则的图像匹配算法。首先,采用Forstner算子精准快速地对图像特征进行检测,获取纯度较高的特征点。然后,通过计算圆域的haar小波响应值确定主方向,并利用圆域的梯度信息获取特征向量,完成特征描述。最后,根据匹配特征的仿射不变性,利用主方向建立角度相似法则,以完成匹配。通过特征点的特征向量去除错误匹配点,获取最终的匹配结果。实验数据显示,所提算法具有较高的匹配正确率与鲁棒性,在多种几何变换下,其匹配结果中具有较多的正确匹配对,而错误匹配对数量较少。     

基于KCCA的特征匹配方法

特征匹配问题是计算机视觉和模式识别中一个关键步骤,在很多领域都有着重要的应用。借助核典型相关分析思想,提出了一种基于空间相关性的特征匹配方法,该方法通过核典型相关分析,将特征点集投影到核空间中,并将投影向量作为匹配特征,根据投影向量之间的相似性进行匹配。仿真实验结果表明,该算法优于基于谱分解的特征匹配算法,在图像含有噪声和存在结构误差的情况下,算法具有较高的匹配率。     

基于CCA的图像特征匹配算法

基于典型相关分析的思想,提出一种可以解决具有相同数目特征点的图像特征匹配算法.算法利用典型相关分析将提取的2幅图像的特征点投影到新的特征空间上,将获得的投影向量作为匹配特征构造匹配矩阵,最后根据匹配矩阵元素的大小判断特征点的匹配关系.仿真实验结果验证了该算法的有效性和稳健性.     

基于特征加权与核主成分分析的掌纹识别

针对掌纹采集受外界因素和噪声的影响较大, 传统方法掌纹识别率低、 鲁棒性差等问题, 提出一种基于特征加权与核主成分分析的掌纹识别算法. 首先采用Curvelet变换对掌纹图像进行分解, 得到不同尺度和角度的轮廓系数, 并对Curvelet系数进行加权融合操作; 然后通过核主成分分析对掌纹特征进行降维处理, 实现特征提取; 最后采用相关向量机实现掌纹匹配, 并采用PolyU掌纹图像对算法的性能进行测试. 结果表明, 与其他掌纹识别算法相比, 该算法取得的掌纹识别率更高, 且掌纹匹配的时间最短, 可以满足掌纹实时识别要求.     

基于Agast-Adaboost的图像匹配算法

针对传统浮点型特征描述算法误匹配率高、匹配率低的问题,提出了一种基于尺度空间金字塔与AGAST(adaptive and generic accelerated segment test)快速特征提取相融合的局部二进制特征匹配算法(Agast-Adaboost local binary feature matching algorithm,ALBFMA).该算法首先构建高斯尺度空间金字塔,将AGAST与尺度空间融合并提取特征点,然后用改进的Adaboost算法对特征点进行二值描述,生成特征向量,从而提高该算法的匹配速率和匹配精度.实验结果表明:与已有算法相比,该算法具有匹配精度高的优点,并且对光照、尺度及旋转有良好的鲁棒性.     

基于分块信息熵和特征尺度的图像配准算法

针对当前图像配准技术中特征点的检测和匹配存在的问题,提出了一种基于分块信息熵和特征尺度的图像配准算法.通过对图像进行分块,结合每块图像的信息熵,改善了Harris-Laplace算子提取的特征点分布过于集中的问题.通过比较角点响应函数的值,剔除了特征点中的冗余点.通过结合特征点的尺度信息、Hu矩和双向匹配策略,提高了初始匹配点对的准确率.仿真结果表明,改进的配准算法可以实现高精度的图像配准,对图像的几何变换具有很强的鲁棒性.      

基于特征点匹配的拼接算法研究与实现

针对图像间因具有旋转及光线强度差异等现象而导致的拼接效果不佳及拼接速度慢的问题,提出一种基于特征点的配准算法.该算法首先利用相位相关法确定图像重叠区域,然后采用改进Harris角点检测算法检测角点,再根据相似测度NCC(Normalized Cross Correlation)方法提取出匹配特征点对,最后用渐进渐出的方...     

一种基于形状信息描述的图像特征匹配算法

针对已有匹配方法匹配特征点少、图像匹配精度低的问题,提出一种基于边缘形状描述子的图像特征匹配算法。该算法首先利用曲线凸性将图像边缘分割为近似直线段组,再将连接多个直线段的点定义为关键点,将关键点周围直线段组定义为形状特征包,最后利用局部形状特征包中所有点集相对其几何中心的位置关系分布形成描述子。实验结果表明：该算法的图像匹配正确率均高于SIFT算法和Shape Context算法,且对噪声问题不敏感,可应用于基于Hough变换的物体检测。