基于局部显著特征的快速图像配准方法

针对SIFT算法在进行图像配准时存在提取特征点数目大、无法精确控制、运算速度慢、配准点精度不高的问题,提出一种基于局部显著特征的快速图像配准方法。该方法首先对原始图像和待配准图像进行降采样,对降采样图像分别提取SIFT特征点,并对特征点运用改进的K-means聚类算法进行聚类;然后利用聚类结果筛选聚类区域,在各聚类区域提取显著特征点进行粗匹配;最后利用显著特征点在原始图像中定位显著区域,对所得显著区域进行精配准。实验结果表明,该方法减少了图像匹配时间,控制了特征点数量,在保证匹配准确度的同时,有效地提高了特征匹配的效率。     

基于亚像素特征点提取的螺纹检测粗糙聚类算法

本文研究了一种应用于高速图像检测的基于亚像素特征点提取的螺纹检测粗糙聚类算法。其基本思想是:采用分阶段的高精度亚像素特征点提取方法,将图像边缘特征离散为亚像素级特征点,利用粗糙集中的不可分辨概念和近似集合概念,对图像亚像素级特征点进行粗糙聚类,以便区分图像中多个螺纹零件,确定螺纹小径不可分辨类。在此基础上,给出了螺纹几何参数测量的步骤和计算规则,根据计算结果对螺纹零件进行基于图像特征的判别和处理。这种基于亚像素特征点提取的螺纹检测粗糙聚类方法具有较高的检测精度。     

基于变分贝叶斯对比网络的非参数图像聚类方法

非参数图像聚类中聚类簇数是未知的，需要模型自动发现.虽然一些现有的贝叶斯方法可以自动推断聚类簇数，但由于计算成本过高或过于依赖已学习到的特征，在大规模图像数据集上并不可行.因此，文中提出基于变分贝叶斯对比网络的非参数图像聚类方法.首先，利用ResNet提取图像特征.然后，提出深度变分迪利克雷过程混合优化方法，自动推断聚类数量，可直接嵌入端到端的深度模型，并可与特征提取器进行联合优化.最后，提出极化对比聚类学习，利用极化标签去噪策略对标签进行去噪和极化处理，并利用极化标签与数据增强预测标签进行对比学习，联合优化图像特征提取器和分类器.在三个基准数据集上的实验表明，文中方法性能较优.     

基于线性变换的高光谱图像端元提取算法

研究了高光谱遥感图像的端元优化提取问题,针对现有特征空间中最大体积转换思想的端元提取算法中所存在的运算量巨大、对原始数据需要预处理、提取精度较差等问题,分析了图像数据在高维特征空间的相关性,提出了采用线性变换的端元提取算法.使特征空间的基变换寻找正交于某个低一维超平面的投影向量,通过数据在向量上的投影运算将低维相关数据压缩成一个点,与点距离最大的孤立像元作为一个端元输出,每步获得的端元反馈作为下一次提取的输入以保证提取的正确性.由于采用在高维特征空间中距离的计算代替体积计算.仿真结果表明,提出的算法在较短的时间内可有效地提取端元,大大减少了计算量;而且每次提取所依据的信息是反映整幅图像数据在特征空间线性相关性的子空间,所以不需要对原始数据进行预处理,避免了丢失小目标的隐患,进而可以提高提取精度.为高光谱遥感图像优化提取提供了参考.     

一种基于矢量场结构的等值面构造方法

为得到非结构矢量场中的等值面图像,给出了一种基于矢量场曲线结构的等值面构造新方法.算法利用矢量可视化映射过程中获得的曲线结构来组织数据并计算等值点,采取自适应聚类划分方法获得各个等值面包含的数据点集合后利用曲面重建算法来构造等值面.在计算等值点时,不但利用了数据场中各个数据点处的空间位置与场值大小,而且充分考虑了数据点处的矢量方向信息.实验表明,该方法能够稳定、有效地构造出非结构矢量数据场中的等值面.与基于体元的传统等值面构造方法相比,可以有效加快计算进程,得到更为准确的计算结果.     

模糊图像中的飞机识别方法

针对模糊图像中飞机识别问题,提出一种基于角点和核聚类的飞机识别方法。该方法提取图像的角点特征,对角点进行核聚类,根据聚类结果识别飞机的角点,完成飞机的定位识别。在核聚类算法中,引入有效性函数,能自适应的确定聚类数目,解决了现有核聚类算法需要事先确定聚类数的弱点。实验表明,角点特征具有位移、旋转、尺度不变性,自适应核聚类算法能准确识别模糊图像中的飞机,具有较好的鲁棒性。     

图像的聚类和可视化方法研究

提出使用仿射传播聚类方法对图像特征数据进行聚类,通过多维缩放MDS算法从高维特征空间据映射到二雏空间的方法将聚类结果可视化.实验证明,该方法简单高效,可视化结果有利于全面地了解图像数据之间的关系,为图像数据的预测和决策起到重要的作用.     

改进FCM 的图像聚类方法

对传统FCM算法的隶属度函数进行了改进,改进后的算法有效降低了孤立点对图像数据聚类结果的影响。通过灰度-梯度共生矩阵对图像进行纹理特征提取,利用主分量分析法对提取后的图像高维特征进行降维处理,结合本文改进的FCM图像聚类算法对预处理后的图像数据进行聚类。实验证明,该方法具有较好的聚类效果,且能以较少的迭代次数达到全局最优。     

基于涌现自组织映射的聚类分析与可视化处理

K0honen自组织特征映射可实现高维模式空间到低维拓扑结构的映射,借此可进行模式聚类分析及高维数据的二维可视化.但当输入样本数目较多、复杂度较大时,采用KSOM将使相邻类簇间发生大面积重叠,降低聚类效果.本文通过利用涌现自组织特征映射神经网络对数据进行聚类分析.并通过无边界u矩阵实现可视化功能.测试结果表明.借助ESOM模型进行数据的聚类分析与可视化在诸多方面表现出优越的性能.     

基于聚类SURF特征的商品识别算法*

图像存在遮挡、尺度缩放、多干扰时,传统加速鲁棒特征(SURF)算法会产生错误匹配问题,提出一种基于匹配角度聚类的匹配算法。算法先提取SURF特征点,利用特征点的主方向信息进行图像角度矫正,再统计并聚类粗匹配对的匹配角度信息,依据类中元素数目和类簇数目进行两级筛选,剔除异常角度信息的误匹配对。本文算法与随机抽样一致性算法(RANSAC)进行实验对比,表明该算法能有效提高匹配正确率和保证低误剔除率,提高了商品图像的识别率。     

A new volume formula for a simplex and its application to endmember extraction for hyperspectral image analysis

Based on the geometric properties of a simplex, endmembers can be extracted automatically from a hyperspectral image. To avoid the shortcomings of the N-FINDR algorithm, which requires the dimensions of the data to be one less than the number of endmembers needed, a new volume formula for the simplex without the requirement of dimension reduction is presented here. We demonstrate that the N-FINDR algorithm is a special case of the new method. Moreover, whether the null vector is included as an endmember has an important effect on the final result of the endmember extraction. Finally, we compare the new method with previous methods for endmember extraction of hyperspectral data collected by the Advanced Visible and Infrared Imaging Spectrometer (AVIRIS) over Cuprite, Nevada.     

A new approach based on orthogonal bases of data space to decomposition of mixed pixels for hyperspectral imagery

A new algorithm for decomposition of mixed pixels based on orthogonal bases of data space is proposed in this paper. It is a simplex-based method which extracts endmembers sequentially using computations of largest simplex volumes. At each searching step of this extraction algorithm, searching for the simplex with the largest volume is equivalent to searching for a new orthogonal basis which has the largest norm. The new endmember corresponds to the new basis with the largest norm. This algorithm runs very fast and can also avoid the dilemma in traditional simplex-based endmember extraction algorithms, such as N-FINDR, that it generally produces different sets of final endmembers if different initial conditions are used. Moreover, with this set of orthogonal bases, the proposed algorithm can also determine the proper number of endmembers and finish the unmixing of the original images which the traditional simplex-based algorithms cannot do by themselves. Experimental results of both artificial simulated images and practical remote sensing images demonstrate the algorithm proposed in this paper is a fast and accurate algorithm for the decomposition of mixed pixels.     

基于RM S 误差分析的高光谱图像自动端元提取算法

提出了一种基于RM S ( root mean square) 误差分析的自动端元提取算法。对图像每做一次线性解混合, 就得到一幅以均方根RMS误差表示的残余误差图像, 从中选出误差较大的像素作为新的端元开始下一次解混合, 通过多次迭代, 直到得到了要求数目的端元。该算法克服了以往端元提取方法监督特性的局限, 减少了对先验信息的依赖, 同时保留了图像中的异常。利用仿真和实验数据验证了该算法的有效性。     

Integration of spatial-spectral information for the improved extraction of endmembers

Spectral-based image endmember extraction methods hinge on the ability to discriminate between pixels based on spectral characteristics alone. Endmembers with distinct spectral features (high spectral contrast) are easy to select, whereas those with minimal unique spectral information (low spectral contrast) are more problematic. Spectral contrast, however, is dependent on the endmember assemblage, such that as the assemblage changes so does the “relative” spectral contrast of each endmember to all other endmembers. It is then possible for an endmember to have low spectral contrast with respect to the full image, but have high spectral contrast within a subset of the image. The spatial-spectral endmember extraction tool (SSEE) works by analyzing a scene in parts (subsets), such that we increase the spectral contrast of low contrast endmembers, thus improving the potential for these endmembers to be selected. The SSEE method comprises three main steps: 1) application of singular value decomposition (SVD) to determine a set of basis vectors that describe most of the spectral variance for subsets of the image; 2) projection of the full image data set onto the locally defined basis vectors to determine a set of candidate endmember pixels; and, 3) imposing spatial constraints for averaging spectrally similar endmembers, allowing for separation of endmembers that are spectrally similar, but spatially independent. The SSEE method is applied to two real hyperspectral data sets to demonstrate the effects of imposing spatial constraints on the selection of endmembers. The results show that the SSEE method is an effective approach to extracting image endmembers. Specific improvements include the extraction of physically meaningful, low contrast endmembers that occupy unique image regions.     

An endmember-based distance for content based hyperspectral image retrieval

We propose a specific content-based image retrieval (CBIR) system for hyperspectral images exploiting its rich spectral information. The CBIR image features are the endmember signatures obtained from the image data by endmember induction algorithms (EIAs). Endmembers correspond to the elementary materials in the scene, so that the pixel spectra can be decomposed into a linear combination of endmember signatures. EIA search for points in the high dimensional space of pixel spectra defining a convex polytope, often a simplex, covering the image data. This paper introduces a dissimilarity measure between hyperspectral images computed over the image induced endmembers, proving that it complies with the axioms of a distance. We provide a comparative discussion of dissimilarity functions, and quantitative evaluation of their relative performances on a large collection of synthetic hyperspectral images, and on a dataset extracted from a real hyperspectral image. Alternative dissimilarity functions considered are the Hausdorff distance and robust variations of it. We assess the CBIR performance sensitivity to changes in the distance between endmembers, the EIA employed, and some other conditions. The proposed hyperspectral image distance improves over the alternative dissimilarities in all quantitative performance measures. The visual results of the CBIR on the real image data demonstrate its usefulness for practical applications.     

基于微观图像的图像拼接算法研究

针对传统图像拼接算法不适用于局部特征点多的微观图像实时拼接问题,结合Harris角点、SURF算法和K-Means算法提出了一种改进的算法。具体的算法流程如下：通过Harris角点提取微观图像中的特征点,并在形成SURF描述子后利用最近近邻算法对这些特征点进行粗配准。通过K-Means算法对初次配准的特征点进行聚类分簇获取聚类中心,并提取有效聚类区域的特征点。对有效的特征点进行精确配准,并校验配准后特征点的斜率一致性和距离一致性,从而实现精确的特征点匹配。实验结果证明,该算法克服了特征点多造成图像拼接时间长和拼接误差大的问题,具有较强的鲁棒性和稳定性,可应用于微观图像实时拼接领域。     

一种改进的Qtree_ORB算法

在视觉SLAM中,特征点的提取和准确的特征匹配对机器人的位姿推断具有重要作用。针对传统ORB算法特征点分布不均匀,容易出现簇集的问题和Qtree_ORB算法特征点过均匀等问题,提出了一种基于四叉树改进的ORB特征提取算法。对每层图像金字塔进行自适应网格划分,采用自适应阈值来进行特征点提取;根据每层图像金字塔所提取特征点数目对四叉树的划分深度进行限制,减少冗余特征点;设定最小阈值来减少低质量特征点的提取;在Mikolajczyk数据集上对改进算法的均匀度和匹配性能进行测试,在TUM数据集上对改进算法在ORB-SALM2系统中的精度进行测试。结果表明改进算法能够有效提高其均匀度,并且保持着较高的匹配精度;在ORB-SLAM2测试中,改进算法能有效改进SLAM系统的轨迹精度和漂移程度。     

基于线性混合模型的高光谱图像端元提取

近年来,基于线性混合模型的光谱解混合技术正在越来越广泛地用在光谱数据分析和遥感地物量化中,这项技术的关键就在于确定端元(Endmember)光谱。通常,端元的荻取有两种方式：来源于光谱库以及来源于图像数据,相比之下后者得到的结果更能体现真实的地面信息。为此,从线性混合模型的特点出发,归纳了目前几种比较成熟的端元提取算法,分析了它们的主要思想和存在的优缺点,并总结了评估算法结果的依据,最后介绍了端元提取技术的发展趋势。     

混合特征下最优阈值预测的图像匹配

针对单一特征条件下图像匹配率较低,以及SIFT算法由于固定对比度阈值造成特征点数目提取不均的问题,提出一种混合特征下最优阈值预测的图像匹配算法。该算法首先采用SIFT算法提取图像特征点,然后利用纹理参数二阶矩自适应法得到最优阈值,并用描述性较强的纹理特征向量对SIFT匹配过程进行约束实现图像的匹配。实验结果表明,提出的算法根据图像灰度分布自适应选取对比度阈值,能够增强图像细节信息且使提取的特征点数量稳定,在匹配过程中引入纹理向量作为约束准则,避免了相似区域的误匹配,对光照和模糊图像有较好的鲁棒性。     

基于图像增强的温室图像特征点提取

针对温室环境中,由于相机拍摄图像噪声大,光照不均匀,对比度较低等会导致ORB特征点较难提取或者提取较少,从而影响匹配效果的问题,提出了一种能够减少图像噪声,增强图像对比度的ORB特征点提取算法。首先,对温室图像进行高斯滤波去除图像噪声,然后使用对比度受限的自适应直方图增强图像对比度,增加ORB特征点提取数量。经过实验表明,提出的改进ORB算法对温室中ORB特征点的提取和匹配效果有较大提升。