基于改进尺度不变特征的图像局域几何配准研究

针对图像配准容易产生误配准、漏配准的问题,提出了基于改进尺度不变特征的图像局域几何配准。该方法改进了尺度不变特征,通过构建边缘尺度空间设计了尺度不变边缘特征变换,融合了尺度不变特征点和尺度不变边缘。以尺度不变特征为基础,搜寻图像间的局域图像变换,实现图像局域几何配准。实验表明,SIFT特征点和边缘信息互补能够提供更多的配准信息并减少错误配准;该方法对尺度、噪声、形变、光照等不敏感,能够配准移动目标,真实地反映图像的配准状况。     

结合二次Otsu和SIFT的光学和SAR水域图像快速配准

针对光学和SAR图像水域辐射、几何性质差异过大而难以获得共性特征,以及大场景图像配准耗时过长的问题,提出一种基于二次Otsu阈值分割法和尺度不变特征变换法(SIFT)的光学和SAR图像配准方法.首先为了降低数据量,减弱微小目标和噪声带来的干扰,对光学图像和SAR图像进行小波变换;然后针对图像一次Otsu分割后的"过检"现象进行二次分割,获得更准确的水域分割;最后通过改进的空间一致性准则和RANSAC消除初始匹配点中的较多误配.实验结果表明,该方法可以有效地提高光学和SAR图像的配准准确度,加快配准速度.     

基于sift特征描述符的多尺度图像配准方法

研究图像处理,提高图像的精确性,在基于特征的图像配准中,特征描述符用来对两幅图像的特征进行相似性度量.合适的特征描述符对于建立图像之间的配准映射关系和提高配准精度具有重要意义.为了适应图像的尺度变化,提高配准算法的精度,引入多尺度Harris角点检测算法,并对一种基于sift特征的描述符在向量构造和采样区域等方面进行改进,最后通过对比特征描述符的相似性建立特征点间的匹配关系,并进行仿真.结果证明,算法能够适应图像的尺度变化,增加了描述符在图像具有噪声、旋转时的鲁棒性,提高了图像配准的精度.     

组合模型的图像配准

为解决图像配准中因旋转变换,尺度缩放,光照变化,相机抖动,气流变化以及压缩等影响成像质量,而导致特征点检测数目不足的问题,本文提出了基于组合模型的图像配准方法.该方法采用KAZE与SURF算子联合检测局部区域中线性与非线性特征点;同时为了提高计算效率,采用二进制向量描述符表征特征点,并使用汉明距离计算特征点之间的匹配距...     

具有SIFT描述的多尺度角点图像配准

角点含有丰富的图像结构信息,在图像配准中是广泛应用的图像特征。Harris算法是经典的角点提取算法,Harris角点对图像旋转具有不变性,但对尺度变化敏感,在有尺度变化的图像配准中,应用受限。仿照SIFT特征点提取过程,提出了一种多尺度角点提取方法,提取的多尺度角点对图像旋转和尺度变化有很好的适用性。并用SIFT描述子描述,用光学及SAR图像进行了配准实验。结果表明,与SIFT、Harris算法相比,本文方法在保证配准精度的基础上,配准时间减少40%以上,特征点在配准过程中的利用率提高一倍多。     

基于隐含相似性的光学和SAR图像配准方法

异质图像配准是多源图像融合的关键步骤之一,通常需要精确提取和匹配图像的同名特征,这种同名特征在成像机理差异巨大的光学和SAR图像中进行提取和匹配十分困难,利用相同场景图像中的隐含相似性可以有效避开这一难点.为了对光学和SAR图像进行配准,提出了一种基于隐含相似性的光学和SAR图像配准方法,该算法首先选用高梯度幅值像素作为隐含特征点集,然后通过像素迁移来构建相似测度准则函数,并用遗传算法对准则函数解空间进行全局优化搜索来获取配准解,这样就将图像配准问题归于模型参数优化求解过程.实验结果表明,该方法有效可行,配准图像能达到像素级配准精度.     

多分辨率图像序列的超分辨率重建

针对不同焦距下拍摄的多分辨率尺度的图像序列,本文提出了一种基于尺度不变特征转换(Scale invariant feature transform, SIFT)和图像配准的超分辨率(Super resolution, SR)图像盲重建算法.首先提取图像SIFT特征点,然后用向量夹角余弦进行特征描述符向量的初匹配,并用随机抽样一致性 (Random sample consensus, RANSAC)算法消除误匹配提高配准精度.计算变换参数后,将低分辨率图像(Low-resolution, LR)像素点映射到高分辨率(How-resolution, HR)网格,最后利用像素可信度加权算法填充缺失像素值,重建更高分辨率的图像.实验表明, 本文算法能精确估计图像序列的缩放因子,可以有效处理仿射变换模型,对配准误差也具有一定的鲁棒性.算法从实质上提高了多分辨率尺度图像序列的分辨率,尤其在低分辨率帧数较少可用于重建的信息量严重不足时也能获得比较满意的重建效果.     

高斯几何矩及其在特征匹配与图像配准中的应用

针对几何矩存在特征表述能力较弱和对噪声敏感等缺点,提出一种高斯几何矩,并给出了它的平移和旋转不变矩,同时提出一种基于高斯几何矩的图像配准方法.在几何矩的基础上引入高斯核,定义了高斯几何矩;再由高斯复数矩推导高斯几何矩的位移不变矩及旋转不变矩的独立与完备集;讨论了尺度因子对高斯几何矩表征图像的影响,充分利用尺度因子的灵活性特点,重点捕获图像的有效信息,提高了图像的特征表述能力.对高斯几何矩和几何矩的特征匹配能力与图像配准能力进行详细比较的结果表明,文中提出的高斯几何矩矩比几何矩具有更强的特征表述能力和抗噪声干扰能力.     

基于自适应尺度的遥感影像渐进配准

图像配准是遥感图像处理中的基本问题.本文针对多源多时相遥感影像的特点,提出了一种基于自适应尺度的渐进配准方法,在从粗到细的迭代配准过程中,可以通过上一次配准结果的几何定位误差来确定本次匹配的尺度,并按该尺度提取特征角点和特征邻域进行匹配,与常规金字塔渐进配准方法相比,减少了匹配次数,提高了配准效率.另外,特征提取和匹配过程中提出一种基于Harris-Laplace算法和相位相关算法的遥感影像配准算法,利用Harris-Laplace角点代替原始图像,能够综合区域和特征的优点,对亚像元偏移、旋转、尺度变化具有不变性,同时对对比度和灰度的变化不敏感,具有很强的抗噪性.在特征检测和匹配的过程中采用限定搜索区域、抽稀角点等多种优化策略来提高算法的性能.实验证明,算法具有很好的精度,对几何攻击具有很好的鲁棒性,该算法已经应用于CBERS-02B星3级数据的批量自动化生产,具有很好的应用效果.     

结合图像上下文的二阶导数边缘融合线条精确定位与配准

线条工具痕迹图像中线条的精确定位是实现犯罪工具痕迹自动检验比对的关键.针对边缘检测方法易受到图像噪声的影响产生虚假边缘,不能够对痕迹中的实际线条进行准确定位,导致线条特征提取困难的问题,提出一种结合图像上下文的二阶导数边缘融合线条精确定位方法.首先根据当前线条工具痕迹人工比对方法定义图像检验的比对线,沿比对线方向计算图像的二阶导数,并根据二阶导数边缘的性质对导数值进行规则融合,以计算线条痕迹中的脊线和谷线区域;然后根据人工线条痕迹比对经验对线条区域进行优化规整,删除深谷中的伪线条;最后结合图像上下文计算脊线区域中显著点实现线条的精确定位.在线条精确定位的基础上,以二阶导数绝对值最大脊线条、灰度值最大脊线条、最深谷为特征线条,以及特征线条之间的距离为配准特征模板(向量)对实验样本进行配准,能够对工作部位具有较显著特征工具形成的痕迹实现较高配准率.实验结果表明,文中提出的线条定位和配准方法能够快速实现线条工具痕迹图像中线条的精确定位和配准,为实现线条工具痕迹自动比对奠定基础.     

一种基于角点特征的图像自动配准方法

图像配准是图像处理和计算机视觉中的重要环节。提出了一种基于角点特征的图像自动配准方法来处理具有相似变换的图像配准问题。角点特征由改进的Harris算子提取,然后将提取的角点组成虚拟三角形,利用在相似变换下参考图像和待配准图像中对应的虚拟三角形相似的原理,找到最相似的两个虚拟三角形,以它们对应的顶点作为控制点,求出变换模型参数,从而配准两幅图像。该方法只要求两幅图像中提取的角点特征包含3个以上的对应角点,就能配准两幅图像。它的另一个优点是理论上对两幅图像之间发生的平移、旋转和尺度变化没有限制。实验结果表明:这种图像自动配准算法是正确和有效的。     

基于SURF特征的航空序列图像位置估计算法

视觉传感器在航空无人机导航和定位任务中应用越来越广泛。针对无人机位置参数估计问题,提出了一种基于SURF特征的图像配准算法,该算法能够适应航空序列图像的旋转、尺度变换及噪声干扰,实现无人机位置的精确估计。构建了SURF尺度空间,运用快速Hessian矩阵定位极值点,计算出航空图像的64维SURF特征描述子;基于Hessian矩阵迹完成特征点匹配;使用RANSAC算法剔除出格点,实现位置参数的精确估计。通过航空图像序列实测数据位置估计实验,验证了该算法的有效性。     

基于深度卷积特征光流的形变医学图像配准算法

光流法是一种基于光流场模型的重要而有效的形变配准算法。针对现有光流法所用特征质量不高使得配准结果不够准确的问题，将深度卷积神经网络特征和光流法相结合，提出了基于深度卷积特征光流（DCFOF）的形变医学图像配准算法。首先利用深度卷积神经网络稠密地提取图像中每个像素所在图像块的深度卷积特征，然后基于固定图像和浮动图像间的深度卷积特征差异求解光流场。通过提取图像的更为精确和鲁棒的深度学习特征，使求得的光流场更接近真实形变场，提升了配准精度。实验结果表明，所提算法能够更有效地解决形变医学图像配准问题，其配准精度优于Demons算法、尺度不变特征变换(SIFT) Flow算法以及医学图像专业配准软件Elastix。     

Control Issues in High-speed AFM for Biological Applications: Collagen Imaging Example

This article considers the precision positioning problem associated with high-speed operation of the Atomic Force Microscope (AFM), and presents an inversion-based control approach to achieve precision positioning. Although AFMs have high (nanoscale) spatial resolution, a problem with current AFM systems is that they have low temporal resolution, i.e., AFM imaging is slow. In particular, current AFM imaging cannot be used to provide three-dimensional, time-lapse images of fast processes when imaging relatively-large, soft samples. For instance, current AFM imaging of living cells takes 1-2 minutes (per image frame) - such imaging speeds are too slow to study rapid biological processes that occur in seconds, e.g., to investigate the rapid movement of cells or the fast dehydration and denaturation of collagen. This inability, to rapidly image fast biological processes, motivates our current research to increase the operating speed of the AFM. We apply an inversion-based feedback/feedforward control approach to overcome positioning problems that limit the operating speed of current AFM systems. The efficacy of the method, to achieve high-speed AFM operation, is experimentally evaluated by applying it to image collagen samples.     

基于SIFT点特征和Canny边缘特征匹配的多源遥感影像配准研究

针对多源遥感影像的配准,提出了一种结合SIFT点特征和Canny边缘特征匹配的配准算法。该算法首先采用SIF7算法提取点特征并进行影像粗配准,在获得初始仿射变换参数后,采用Canny算法提取边缘特征,并采用成本函数法进行边缘点匹配,经粗差滤除后得到有效的匹配特征点对,随之进行影像精配准。该算法结合了SIFT、算法和Canny算法的优点,解决了多源遥感影像因辐射差异和几何差异造成的难以正确配准的问题。实验结果表明,算法具有较强的鲁棒性,并取得了较好的配准精度。     

基于射影变换模型的图像特征点集配准

图像配准是计算机视觉中目标识别的一种基本方法,其目的是在待识别图像中寻找与模型图像的最佳匹配。该文讨论以特征点表示的图像间的配准问题,利用矩阵分解理论推导出射影变换下特征点集配准的闭合公式,给出变换参数估计的算法,并用模拟数据和图像角点检测的真实数据加以验证。实验表明该方法精确、稳定、受噪声影响小。     

一种新的卫星多光谱图像自动配准算法

针对小卫星独立相机多光谱成像系统波段间配准的非线性误差问题,提出了一种多光谱图像波段间自动配准算法,该算法综合利用互信息、遗传算法和MQ几何校正模型进行多光谱图像的自动配准。在算法中,以互信息作为配准的相似性度量,获得了很高的配准精度;利用遗传算法的快速搜索特性,可以较快的完成搜索并获得整体的最优解;利用MQ几何模型可以精确的建立图像之间的几何关系。试验表明该算法对于多光谱图像波段间非线性几何关系,能够取得非常高的波段间自动配准精度,整体配准误差在一个像元以内。     

Automated accurate registration method between UAV image and Google satellite map

Because Unmanned Aerial Vehicle (UAV) image exhibits low positioning accuracy, the accurate registration of the image is required. Since the viewpoint direction, capturing time and shoot height are considerably different between the UAV image and google satellite map, the existing methods cannot match two images accurately. For the registration between the UAV image and google satellite map, a full-automated image registration method was proposed based on deep convolution feature. Such method consists of five steps: automatically reference images downloading, uniform key point extraction, deep convolution features computation, accurately feature matching and image registration. The reference image was downloaded from google map service according to the approximate location and region of the UAV image. The deep convolution feature was extracted using the pre-trained VGG16 model. Finally, many experiments were performed to verify the efficiency of the proposed method, and the results demonstrate that the proposed method is more effective and robust than the existing method.

     

基于残差融合网络的定量磁敏感图像与T1加权图像配准

医学图像配准对医学图像处理和分析至关重要, 由于定量磁敏感图像 (quantitative susceptibility mapping, QSM) 与T1加权图像的灰度、纹理等信息存在较大的差异, 现有的医学图像配准算法难以高效精确地完成两者配准. 因此, 本文提出了一个基于残差融合的无监督深度学习配准模型RF-RegNet (residual fusion registration network, RF-RegNet). RF-RegNet由编解码器、重采样器以及上下文自相似特征提取器3部分组成. 编解码器用于提取待配准图像对的特征和预测两者的位移矢量场 (displacement vector field, DVF), 重采样器根据估计的DVF对浮动QSM图像重采样, 上下文自相似特征提取器分别用于提取参考T1加权图像和重采样后的QSM图像的上下文自相似特征并计算两者的平均绝对误差 (mean absolute error, MAE) 以驱动卷积神经网络 (convolutional neural network, ConvNet) 学习. 实验结果表明本文提出的方法显著地提高了QSM图像与T1加权图像的配准精度, 满足临床的配准需求.     

Unsupervised deformable image registration network for 3D medical images

Image registration aims to establish an active correspondence between a pair of images. Such correspondence is critical for many significant applications, such as image fusion, tumor growth monitoring, and atlas generation. In this study, we propose an unsupervised deformable image registration network (UDIR-Net) for 3D medical images. The proposed UDIR-Net is designed in an encoder-decoder architecture and directly estimates the complex deformation field between input pairwise images without any supervised information. In particular, we recalibrate the feature slice of each feature map that is propagated between the encoder and the decoder in accordance with the importance of each feature slice and the correlation between feature slices. This method enhances the representational power of feature maps. To achieve efficient and robust training, we design a novel hierarchical loss function that evaluates multiscale similarity loss between registered image pairs. The proposed UDIR-Net is tested on different public magnetic resonance image datasets of the human brain. Experimental results show that UDIR-Net exhibits competitive performance against several state-of-the-art methods.