V-变换和Contourlet变换相结合的图像融合算法

V-变换在表达图像时可以通过增加V-系统基函数的数量得到图像由粗到细的多尺度特征描述,但是V-系统不适宜描述图像的方向特性。为此,根据Contourlet变换的多方向性特征,将V-变换和Contourlet变换结合起来,提出一种图像融合算法,得到图像的多尺度和多方向特征描述,并将之应用到多聚焦图像的融合中。改进数学工具,设计加权局域统计特征的频域系数融合方案,并选用能刻画系数相关性特点的高斯分布作为权值。实验结果表明,与基于小波变换、Contourlet变换以及小波-Contourlet变换的多分辨分析的融合算法相比,该算法融合后的图像在边缘细节处更加清晰,视觉效果更好,信息量、清晰度以及与待融合图像的相关程度等客观评价指标也得到改进。     

一种图像特征点匹配算法——Haar-Gaussian&NICD算法

提出了一种基于哈尔小波分解变换和高斯尺度空间的图像特征点匹配算法.首先利用哈尔小波变换对基础图像进行3层行列分解,然后利用高斯函数卷积核对这些分解图像,进行尺度变换.提出了一个小波高斯金字塔塔林的概念,即对通过小波变换产生的多张不同分辨率的基础图像分别进行高斯尺度变换进而产生一个个独立的高斯金字塔,进而产生独立的高斯差分金字塔林,完成特征点检测.再引进规范化强对比度描述子对特征点进行描述.结果表明:Haar-Gaussia&NICD算法的效果和SIFT算法相当,特征点数量优于SIFT算法,在局部特征匹配方面要更有优势;而且和NICD描述子搭配使用,在运行速度方面要比SIFT算法更快.     

一种改进的图像局部不变特征提取方法

针对传统局部特征提取算法在提取特征点时效率不高,生成描述子需要计算主方向等问题,结合SURF算法和RGT(Radial Gradient Transform),在精度损失尽可能小的情况下提高局部不变特征提取速度,提出一种改进的AR-SURF(加速径向SURF)算法。该方法在特征检测阶段,在定位特征点时减少构造尺度空间时所计算的响应层个数,将求取对应点响应放在定位阶段。在特征描述阶段,取消确定主方向的过程,将特征点周围区域的Haar小波响应进行RGT变换,然后将特征点周围区域划分为多个同心圆,并统计特征点周围圆形区域内的响应结果,最后利用小波响应结果得到旋转不变的特征描述子。实验结果表明,AR-SURF算法节省了时空损耗,提升了定位速度,提取效果更好,更加合适于海量图片处理。     

基于平稳小波变换和亮度序的局部特征描述子

局部区域的非线性亮度变化通常会造成局部特征描述子的不稳定。针对该问题,在平稳小波变换和亮度序的基础上,提出一种局部特征描述子。利用Hessian-Affine算子检测仿射协变区域,对检测区域进行平稳小波变换分解,将不同尺度的多个低频子带作为支持区域,多支持区域的使用可以有效地降低图像扭曲带来的不利影响。采用亮度序对支持区域进行区域划分,确保所构造描述子对单调亮度变化具有不变性,并在局部旋转不变坐标系下计算局部特征描述子。实验结果表明,该描述子在视角、线性亮度和JPEG压缩等变化下具有较好的鲁棒性。     

基于NSCT的红外图像小目标检测技术

红外图像小目标检测是精确制导武器的关键技术之一。将小波或Contourlet多尺度分析用于红外小目标检测具有一定的局限性。无下采样Contourlet变换（NSCT）是基于Contourlet变换的一种扩展,可以对图像进行灵活的多尺度、多方向和平移不变性分解。提出了一种基于NSCT的红外小目标检测算法。该算法首先对图像进行NSCT变换;然后利用能量法提取其局部纹理特征,并计算各点的特征向量与中心向量间的距离,得到一个相关的多尺度距离像;最后根据该距离像进行直方图统计,从而实现红外小目标的检测。与基于小波变换的红外小目标检测算法进行了比较。实验结果表明,该算法能较精确地检测出红外小目标,优于基于小波变换的方法。     

基于改进的图像局部区域相似度学习架构的图像特征匹配技术研究

该文在AdaBoost算法的基础上提出了一种图像局部区域相似度的学习架构,利用该架构训练图像局部特征来获得低维数、独特的特征描述子,以实现对图像局部区域高精度地匹配.所提学习架构通过学习图像局部区域相似性得到一组非线性弱学习器对图像局部特征进行描述;同时,在响应函数组合形式和弱学习器权重优化配置方面,针对浮点描述子和二值描述子分别提出了新的补丁相似性度量函数作为目标函数的核函数,提高了图像特征相似性匹配效果.该学习架构不会受限于任何预定义的图像特征信息采集模式,能产生基于灰度信息或方向梯度信息的特征描述子.实验结果表明采用这种学习架构获得的特征描述子,在所有对比描述子中图像局部匹配查准率是最好的.所提学习框架能有效地配置优化描述子弱学习器,能提高图像特征描述子对图像尺度和视角变化的鲁棒性.     

基于多小波统计特征的通用隐写分析算法

针对现有隐写分析算法检测性能较差的问题,提出一种基于多小波统计特征的通用隐写分析算法。该算法采用多小波变换对样本图像进行多尺度分解,在各子带中提取广义高斯模型和多小波高阶统计特征,通过结合支持向量机分类器对大量图像样本进行隐写分析。结果表明,与经典的Farid算法相比,该算法提取的多小波统计特征更有效,且具有更高的检测率。     

一种基于稳定区域的图像特征描述子

当不同成像条件下图像局部内容的特征存在明显差异时,会导致特征描述子难以正确匹配。为此,提出一种基于稳定区域的图像特征描述子。利用最大稳定极值区域检测算法提取图像的稳定区域,结合图像特征点的位置和尺度信息,根据稳定区域计算特征主方向,在适应于特征点所属稳定区域尺度的较大邻域内,生成基于对数-极坐标系的特征描述子。应用结果表明,该描述子在图像局部内容变化较大时仍具有旋转不变性和稳定的匹配性能,能有效解决印刷电路板CT图像的配准问题。     

均值规范化对比度的局部特征描述符

目的 针对SIFT（Scale Invariant Feature Transform）特征描述方法存在特征维数高,计算效率低等问题,提出一种快速的,低维数的局部特征描述方法,即MN-CCH（Mean Normalized Contrast Context Histogram）。方法 该方法首先对局部特征区域内的像素进行均值规范化处理,得到局部特征区域的规范化对比度值。然后,在极坐标下以主方向为基准,将局部特征区域划分成32个子区域,统计每个子区域的正负对比度直方图。最后,对统计结果进行归一化消除线性光照的影响,得到64维的MN-CCH描述向量。结果 在图像变换数据集和小型图像检索数据库上的实验结果表明,64维的MN-CCH描述子可以达到与128维SIFT相当的匹配性能和相同的检索准确率,在描述子生成和匹配效率上明显优于SIFT方法,而且与同维数的CCH相比性能有明显的提高。结论 MN-CCH描述子在保留与SIFT相当性能的前提下,具有特征维数和计算效率的优势,更适合在一些对计算和存储资源要求较高的应用（如机器人导航,视觉SLAM等）中使用。     

基于空间结构的图像特征匹配算法

图像二进制特征描述器比浮点数特征描述器存储容量小、计算速度更快。在对常用二进制特征描述器进行分析的基础上,利用图像特征点之间的空间结构信息改进FREAK描述器的采样模式,提出MPFREAK描述器,提高特征描述能力;针对特征匹配时最近邻算法运行较慢的缺点,改进LSH算法,减少候选集列表空间,提出了海明空间的二进制特征快速匹配算法MLSH。实验表明,MPFREAK描述器描述能力优于其他算法,特征匹配算法效果明显、速度更快。