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特征的视频图像匹配研究

图像匹配是视频处理中的一项关键技术。针对SIFT算法的关键点描述符在匹配性能和匹配效率上的不足,采用建立图像金字塔之前,利用立方插值算法对原始图像进行有效缩放。然后利用降低金字塔层数的思想来构造关键点描述符,使得最后构造出来的描述符更加精确。算法的匹配性能和匹配效率都得到了明显的改进。     

一种面向图像拼接的快速匹配算法

针对图像拼接中尺度不变特征变换(Scale invariant feature transform,SIFT)算法的计算复杂度高、实时性差和误匹配等问题,提出了一种基于自适应非极大值抑制(Adaptive non-maxima suppression,ANMS)的Radon-SIFT方法。首先采用SIFT特征检测提取初始特征点,并用ANMS对初始特征点进行优选,得到分布均匀的特征点集;在特征区域内做一系列直线,以这些直线上的Radon变换值作为特征描述符,以欧氏距离为度量准则进行特征匹配,然后采用随机抽样一致性(Random sample consistency,RANSAC)算法剔除误匹配点,从而提高了算法的正确匹配率和运算速率。仿真结果表明,该文算法具有较高的精度和较强的鲁棒性,且运算量少,实时性强。     

基于尺度空间约束的融合特征点匹配方法

本文提出一种多尺度特征匹配的空间约束机制,Combinative Feature based on Constraint in scale space(CFCS SIFT),该约束机制以SIFT特征点的尺度为基础,对多尺度空间中检测到的DOG特征点与Harris角点提供匹配空间约束,以提高正确匹配点对的数量.基于该约束机制,构造了一种融合DOG特征提取、Harris角点提取原理的SIFT描述符提取与匹配方法,该方法在多尺度空间中提取DOG特征点、Harris角点,并根据特征点的空间、坐标参数获取SIF T描述符.在将DOG特征点和Harris角点相融合并生成SIFT描述符的基础上,设定尺度阈值,根据尺度阈值对检测范围进行空间约束,在约束范围内查找特征点,采用BBF(Best Bin First)算法,并用欧氏距离作为度量函数进行特征点的匹配,最后用RANSAC对匹配点对进行筛选纠错.通过大量实验证明,该算法能够找到更多匹配点对,正确匹配点对相对于不具有空间约束的融合特征点匹配方法增加了15%左右.     

一种改进的SIFT特征点匹配算法

提出一种改进的SIFT特征点匹配算法.以提高图像特征点匹配算法效率为目的,研究了SIFT特征点描述子基于欧氏最小距离测度的匹配算法.由于SIFT特征点检测算法检测到的特征点数量较大,且每个特征点描述子都是128维的向量,而基于欧氏最小距离测度的匹配算法要求,待匹配第一幅图像的每个特征点要和待匹配第二幅图像的所有特征点求距离,排序后寻找极值,这导致了算法效率较低.依据光学成像理论和双目视觉理论,由第一幅图像每个特征点的坐标,从行列两个方向缩小第二幅图像待匹配特征点坐标的搜索范围,在保持匹配精度的基础上,提高了算法的效率,算法速度约是原算法速度的2.7倍.     

一种新的基于图像矩的特征匹配算法

基于图像矩理论,提出一种新的图像特征匹配算法.该算法在原有经典的Scale-Invariant Feature Transform(SIFT)图像匹配算法的基础上,利用图像一阶矩确定特征点指定大小的圆形邻域的质心,并通过利用质心来确定特征点主方向的方式提高匹配算法的效率.通过对图像矩特征的有效利用,与SIFT算法相比,此算法在保持较好的图像特征点匹配性能的同时,显著降低了算法的时间复杂度,具有更好的实时性能.计算机实验证明了此算法的有效性.     

一种改进的SIFT图像配准算法

针对SIFT算法实时性差的缺点,提出一种改进的SIFT图像配准算法,该方法:(1)运用积分图像解决了构建尺度空间时间花费大的问题;(2)利用圆的特性对每一个特征向量进行序列化,以保证物体旋转不变性,同时将每一个描述子由原来128维降低到32维,解决了原SIFT算法维度较多所造成的算法效率低下的问题;(3)采用欧氏距离作为特征描述符之间的相似性度量并去除不具有配准意义的特征点对,提高匹配算法的鲁棒性.实验结果证明,该方法能在保证配准精度的同时降低配准的时间复杂度,在实时性要求高的应用中具有一定实用前景.     

尺度不变特征转换特征提取优化算法研究

针对尺度不变特征转换(SIFT)算法时间复杂度高的缺点,提出了SIFT特征提取优化算法。分析了SIFT特征提取算法各个计算步骤的时间复杂性。对SIFT特征提取过程进行了优化,包括耗时最多的高斯金字塔的创建和计算特征描述符过程。优化算法降低了特征点提取时间,减少了特征点的重复匹配,同时保证了匹配结果的准确性。最后,实验证明了优化后的算法能有效降低时间复杂度。