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.     

图像基于小波包变换的多尺度匹配算法

基于梯度算子的图像匹配方法存在收敛速度慢、迭代容易落入局部最优点等问题,针对这些问题,提出了一种基于小波包变换的多尺度图像匹配算法.该算法利用小波包的多尺度特征对图像进行不同分辨率的分解,先对低分辨率的子图像进行匹配,再根据该结果对高分辨率的子图像进行匹配.实验表明该算法匹配准确度高,计算速度较快且减小了迭代落入局部最优解的概率.     

基于MMTD的SIFT特征提取算法

尺度不变特征变换（SIFT）是一种常用的特征提取算法,但它采用固定的阈值来筛选特征点,匹配效果不是很理想.文中针对SIFT对不同图像无自适应性的缺点,提出了一种新的计算自适应阈值的方法,即将中介真值程度（MMTD）和SIFT相结合,用MMTD改进SIFT算法能够避免为了选取合适的阈值而进行大量的实验.采用MMTD改进阈值来筛选图像中的特征点,再将特征点进行图像匹配.实验结果表明,匹配点的数量比采用传统的SIFT方法增加了约两倍,说明文中所提出的基于MMTD的SIFT特征提取算法是有效的.     

基于图像梯度信息强化的SIFT特征匹配算法改进

针对传统特征匹配算法匹配率低的问题, 提出一种基于图像梯度信息强化的尺度不变特征转换（SIFT）特征匹配算法的改进算法. 首先通过适当的梯度算子求出梯度图; 然后以特定权值将梯度图与原图融合, 归一化后对融合图像进行高斯模糊; 最后利用传统算法进行特征提取. 实验结果表明, 改进算法的视角、 旋转不变性明显优于原算法, 对亮度变化较大或有噪声的图像匹配率也略有提升, 有效提高了SIFT特征匹配算法的准确性.     

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.     

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.     

基于尺度制约规则耦合距离约束的图像匹配算法

为了提高图像的匹配精度及其鲁棒性,本文提出了基于尺度制约规则耦合距离约束的图像匹配算法.首先,采用箱式滤波器对高斯函数二阶偏导进行逼近,对特征点进行检测;同时,利用特征点对应的空间尺度来建立尺度制约规则,剔除伪特征点.然后,以特征点为中心,形成圆形区域,计算其Haar小波响应,获取特征点的主方向以及特征向量,形成特征描述子.随后,利用特征点的尺度相似性以及角度相似性来建立空间相似法则,完成特征点的匹配.最后,利用特征点欧氏度量的结果,建立距离约束模型,对匹配特征点之间的距离进行约束,剔除错误的匹配特征点.实验结果显示,与当前图像匹配算法相比,本文算法匹配的图像具有更好的匹配准确度及匹配精度.     

改进SIFT算法在特征匹配中的应用

对尺度特征不变SIFT算法进行了研究。针对原算法中128维特征描述子在匹配过程中效率低的情况,提出64维特征描述子。该描述子增加了特征点邻域的统计范围,增强了特征点的特征信息,降低了特征描述子的维数;特征点匹配阶段,采用欧氏距离作为度量,采用基于BBF的Kd-树对特征点进行匹配,提高了匹配速率。实验表明,匹配速率提高了5%到15%,配准精度与原算法相近。     

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.     

基于空间结构约束的改进迭代最近点影像配准

提出了一种改进的基于空间结构约束的迭代最近点(ICP)影像配准方法.该方法通过结合特征点的空间结构相似性和特征相似性获得特征点的匹配矩阵,其中特征相似性通过特征点的局部特征描述算子进行计算,空间相似性则通过特征点的空间位置进行计算.特征点之间的空间结构相似性不仅包括了对应特征点之间的空间距离,还包含了特征点到邻近特征点的空间距离.在匹配过程中,分别从参考影像和待配准影像的角度出发,实现了匹配的对称性处理.通过对具有不同影像特征的真实遥感影像进行实验,结果表明该算法具有较高的配准精度.     

基于感知Hash和极线约束的改进AKAZE算法

针对图像在发生变化时特征点匹配准确率较低的问题, 提出一种基于感知Hash和极线约束的改进AKAZE（accelerated-KAZE）算法. 该算法将特征点匹配分为粗匹配和精匹配两个阶段, 粗匹配阶段利用特征点的最近邻次近邻比值和感知Hash算法进行匹配点对的筛选； 精匹配阶段使用随机抽样一致算法和极线约束进一步筛选匹配点对. 仿真实验结果表明, 与进行随机抽样一致算法剔除误匹配点对后的原算法相比, 特征点匹配准确率仍平均提高12.9%, 速度仅慢2.4%, 可在保证算法效率的前提下有效提升图像发生变化时匹配点对的准确率.     

改进的SIFT特征匹配算法

针对SIFT特征匹配算法在特征空间中进行历遍搜索,匹配速度慢的问题,提出一种金字塔层间匹配算法。首先,根据特征点所处金字塔层不同将特征点划分为不同的集合,其次,选择待配准图像金字塔中某一层集合,在基准图像金字塔中寻找相似层,并确定待配准图像金字塔与基准图像金字塔层之间的相似关系,最后,在相似层之间寻找匹配点。待配准图像中的选择层集合由金字塔底层到顶层,寻找相似层所用时间依次缩短。与原算法相比,该算法具有相同的旋转稳定性。将该算法与原算法分别应用实际图像配准中,结果表明:可见光图像配准中,匹配速度提高了3.2倍,正确匹配率提高了10.3％,红外图像配准中,匹配速度提高1.4倍,正确匹配率达到100％。     

一种多源多光谱遥感图像特征点匹配技术

 在多源多光谱遥感图像中,针对匹配图像的像素之间非线性变化而导致正确匹配点对下降的情况,提出了一种基于主成分分析的多源多光谱遥感图像特征点提取算法。利用尺度不变特征变换(SIFT)算法的基本原理,首先对两幅多源的多光谱遥感图像进行主成分变换,再用变换后各自的第一主分量图像作为待匹配图像;其次,在构建尺度空间时提高尺度参数并且在进行特征匹配时,利用尺度限制条件进行匹配,这样既能提高匹配精度又能提高运算速度;最后,采用随机抽样一致性算法剔除误匹配点。这种算法能减少多源多光谱遥感图像之间像素灰度值的非线性变化对特征点匹配的影响,提取到一定数量的正确匹配点对。通过实验对比分析,所提算法比通用算法有更高的精度和更好的适用性。     

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。     

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LoFTR算法的图像拼接算法研究与实现

针对传统算法图像匹配准方法提取特征点不精确、鲁棒性低、低纹理下很难识别到特征点等问题。本文提出一种新的局部图像特征匹配方法,替代传统的顺序执行图像特征检测,描述和匹配的步骤。首先在原图像提取分辨率为1/8的粗略特征,然后平铺为一维向量,并为其添加位置编码,将组合结果输入到Transformers模块中的自注意力层和交叉注意力层,最后输入可微分匹配层后得到置信矩阵,为该矩阵设置阈值和相互最近标准,从而得到粗略的匹配预测。其次是在精细层次上细化良好的匹配,在建立精匹配之后,通过变换矩阵到统一的坐标下,实现图像重叠区域对齐,最后通过加权平局融合算法对图像进行融合,实现对图像的无缝拼接。本文使用Transformers中的自注意力层和交叉注意力层来获取图像的特征描述符。实验结果表明,在特征点提取方面,LoFTR算法比传统的SIFT算法,无论在低纹理区域还是纹理比较丰富的区域提取的都更精确,同时使用此方法得到的拼接效果比传统经典算法拼接的效果更好。