基于局部显著边缘特征的快速图像配准算法

针对尺度不变的特征变换(SIFT)算法提取的特征点数目多、匹配耗时长、匹配精度不高等问题,提出了一种基于局部显著边缘特征的快速图像配准算法。该算法利用SIFT算法提取待选特征点,同时用小波边缘检测提取图像边缘,建立特征点周围邻域的边缘特征,筛选出具有显著边缘特征的特征点,结合Shape-context算子和边缘特征形成特征描述向量,采用欧氏距离作为匹配度量函数对筛选出的特征点进行初步匹配,然后用随机一致性检验(RANSAC)算法消除误匹配点对。实验结果表明,该算法有效控制了特征点的数量,提高了特征点的质量,缩小了特征搜索空间,提高了特征匹配的效率。     

基于图像深度信息的尺度不变特征变换算法误匹配点对剔除

特征点匹配是基于特征点的图像配准技术中的一个重要环节。针对现有基于尺度不变特征变换(SIFT）图像配准技术特征点匹配不理想,也无法较客观、快速地筛选正确匹配点对的问题,提出结合图像深度信息进行特征点误匹配筛选剔除的方法。该算法首先根据模糊聚焦线索和机器学习算法估计出待配准图像的深度信息图,再提取SIFT特征点,并在特征点匹配环节利用随机抽样一致性(RANSAC)算法迭代循环,结合深度局部连续性的原理来进一步提高匹配精度。实验结果表明,该算法具有很好的误匹配点对剔除功能。     

Canny边缘特征18维描述符在图像拼接中的应用

为将同一场景中具有重叠区域的序列图像合成为一幅宽视角、高分辨率的图像,基于尺度不变特征变换(SIFT)算法,提出一种结合Canny特征边缘18维特征描述的图像拼接方法。采用SIFT算法提取图像特征点,利用12个圆形区域中的梯度方向累加值、3个同心圆区域中的灰度累加值及3个灰度差分值建立18维特征描述符,保留图像Canny边缘16邻域特征点,选用RANSAC算法进行特征匹配对提纯,计算出不变换矩阵H,并用渐进渐出算法完成图像融合。实验结果表明,与传统SIFT算法相比,该方法对光线变化、旋转、尺度缩放等图像均能取得较好的拼接效果。     

改进SIFT变换与客观评价结合的图像配准算法

针对SIFT (scale invariant feature transform)算子在大幅复杂图像中提取的过多不稳定特征点及在只有少量重合区域下图像配准过程中出现的过多误匹配,导致图像配准精度下降;提出一种改进的SIFT算法,在对目标图像提取SIFT特征后,利用双向BBF(Best-Bin-First)匹配算法对提取的特征点进行匹配,采用SIFT描述子的尺度以及梯度方向信息建立最小邻域匹配剔除误匹配点,通过随机抽取一致性算法(RANSAC)进一步筛选匹配点,并利用最小二乘法结合多项式近似拟合出变换模型,利用局部均方根有效值(RMS)评价映射矩阵与实际图像的误差,找出并删除引起误差的误匹配点,迭代至配准图像符合评价标准后,计算出精确变换模型.实验结果表明,该算法提高了大幅复杂图像在少量重合区域时的配准精度.     

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。     

一种边缘点特征图像配准算法

为解决图像的精确配准问题,提出了结合LoG算法的特征点的提取方法,并将尺度不变特征算法(SIFT)应用到图像的特征描述中.首先利用LoG算法计算边缘点,对边缘点的梯度值进行排序,选择梯度较大的点作为特征点;然后采用SIFT计算特征点的特征向量,利用最小距离算法找到两幅图像的匹配点对;最后利用最相关点和次相关点比例的方法排除错误的点对.实验结果证明,算法对具有光照、角度不同的两组图像能够实现精确的配准,准确率超过90％.     

基于分数阶微分的尺度不变特征变换图像匹配算法

利用分数阶微积分运算处理图像信息,有利于强化和提取图像的纹理细节,使图像得到增强,更有利于对图像特征的提取。为了提高图像匹配的正确性,用基于分数阶微积分图像处理方法,提出了改进的尺度不变特征变换(SIFT)匹配算法,将高斯滤波和分数阶微分滤波相结合,用分数阶微分对图像特征进行强化,检测出更加稳定的尺度空间极值点,然后筛选出更多和更准确的匹配特征点,最后进行图像匹配。实验表明,在SIFT中引入分数阶微积分的应用,能够得到更多的特征关键点,提高图像匹配的正确性。     

基于图像显著区域检测的SIFT特征匹配方法研究

针对目标检测中利用SIFT算法在提取图像特征时提取的背景特征点所占比例较大,提出了一种图像显著区域与SIFT算法相结合的目标匹配方法。为使检测出的极值点与人眼观察到的极值点相似,提出对尺度空间中的图像进行显著区域的检测;为了使特征点具有仿射不变性,对特征点进行椭圆拟合;特征匹配时引入夹角余弦相似度测度方法。实验表明,该算法在实时性以及匹配准确率方面都优于传统的SIFT算法。     

一种基于特征点的遥感图像匹配算法

以遥感图像为研究对象论述了一种基于特征点的图像匹配算法在遥感图像匹配与拼接中的应用及改进。在提取图像特征点上,尺度不变特征转换SIFT算法能够对缩放、旋转、仿射的图像保持尺度不变特性。对于提取出的SIFT特征点,采用改进的随机抽样一致性RANSAC方法进行提纯,剔除多余的特征点,缩短匹配时间。实验证明,该算法有效提高了遥感图像匹配的效率和准确性。     

基于SIFT与Contourlet变换的高分辨遥感图像配准

针对高分辨遥感图像特征量较多的情况,提出一种基于SIFT与Contourlet变换相结合的图像配准算法。首先将图像进行Contourlet变换分解成低频和高频子带,对高频子带通过设定合适的阈值来提取图像边缘特征点,对低频子带进行SIFT特征点提取。将两者提取到的特征点分别匹配后得到粗匹配点对,利用随机抽样一致性(RANSAC)选择出精匹配点对,实现图像配准。实验表明:在多源遥感图像配准过程中,与基于非采样Contourlet变换(NSCT)和基于SIFT特征提取相比,该算法能够更准确地提取到特征点,具有更高的运算效率以及匹配率。     

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SIFT的图像匹配算法

直接用SIFT算法对较模糊图像进行关键点提取时,提取的关键点个数较少且进行下一步匹配时错误匹配较多。提出一种基于SIFT特征的匹配算法,首先利用拉普拉斯算子对图像进行锐化处理,使其边缘得到突出,然后利用SIFT算法进行关键点提取,最后利用双向匹配算法进行图像匹配。实验结果表明,利用本文算法进行匹配比直接用SIFT算法进行匹配时的匹配点数更多,匹配效果更好。     

基于改进SIFT特征和图转换匹配的图像匹配算法

针对SIFT特征在纹理丰富的图像中提取较多的伪点和不稳定的点而影响图像匹配的问题, 提出了一种基于Harris阈值准则的局部不变特征图像匹配算法。该算法在提取SIFT不变特征的基础上, 利用Harris阈值准则对所提取到的不变特征进行选择, 剔除了图像区域中大量可区分性较差的特征点, 从而得到了相对稳定和可区分性较好的特征点。其次, 结合不变特征矢量与图转换匹配(GTM)的方法对提取到的稳定特征点进行了精确匹配。实验对比结果表明, 用取得稳定的特征点, 进而结合一种好的匹配策略, 能够更加增强图像匹配的高效性和鲁棒性。     

基于Harris与SIFT算法的自动图像拼接

图像拼接技术被广泛应用于遥感图像处理、计算机识别、医学图像分析及人工智能等方面。本文针对尺度不变特征变换(SIFT)算法特征提取较复杂、计算时间长的缺点,而Harris算法提取特征点快速有效的优点,提出了一种结合Harris与SIFT算法优点的算法,并将这种算法应用于图像的自动拼接。首先利用改进的Harris算法提取图像特征点,再使用SIFT算法来描述特征点,然后利用欧氏距离对所得的特征向量进行匹配,最终实现图像的自动拼接。实验结果表明,该方法能有效提高SIFT的匹配效率,较好地完成对图像的自动拼接。     

基于改进的尺度不变特征变换特征点匹配的电子稳像算法

针对传统尺度不变特征变换（SIFT）算法运算量大的问题,提出了一种改进的SIFT特征点匹配算法。首先介绍了SIFT特征向量的提取过程,并对算法进行了改进,在单尺度空间内提取目标的关键点,并形成34维特征向量,来代替传统SIFT算法生成的128维特征向量,使算法的实时性得到较大的提高,同时又保持了配准精度,最后将提出的改进SIFT特征应用于电子稳像中的全局运动估计中,并通过实验验证了算法的性能。     

基于偏最小二乘的SIFT误匹配校正方法

针对尺度不变特征变换（SIFT）描述子仅利用特征点的局部邻域信息而对图像内具有相似结构的特征点易产生误匹配的现象,提出一种基于偏最小二乘的SIFT误匹配校正方法。该方法首先利用SIFT算法进行匹配,得到初始匹配对,然后利用偏最小二乘方法对匹配后初始匹配点的空间分布信息进行重新描述,并通过定义影响函数,剔除影响程度大的特征点对,最后得到精确匹配点对,对图像进行配准。实验结果表明,该方法能够有效地剔除误匹配点,提高图像配准的精度。     

基于结构信息的图像拼接算法

研究了纹理较多、噪声较大的两幅或多幅的图像拼接问题.两幅图像拼接时,提取图像特征点的好坏对图像拼接结果有很大影响.经典的SIFT算法是一种较好的局部特征点提取算法.而对于纹理较多,噪声较大的图像中,SIFT算法会提取数量较大的特征点,影响匹配的准确性和速度.本文提出基于结构信息的图像拼接算法（SKM,Structual Keypoint Matching）,利用RTV算法提取图像的信息结构,有效地去除图像中的纹理噪声.去噪后,利用SIFT算法提取特征点进行匹配,最后利用RANSAC算法对匹配点对进行筛选,提高准确度.通过由SKM算法得到的变换矩阵H作用于原始图像,完成图像的拼接.     

融合彩色信息与SIFT特征的帧内复制粘贴篡改检测

近年来在同源复制粘贴篡改检测中,SIFT特征得到了广泛的应用.但由于该特征在提取过程中摒弃了颜色信息,会造成一部分特征点的误匹配和漏匹配.为此,提出一种基于彩色信息与SIFT融合的CSIFT特征的检测方法,在提取特征点时加入颜色不变量信息,提高了匹配的准确性和效率.算法首先利用结构相似度将视频帧序列分段,提取每段序列的关键帧;然后提取关键帧的CSIFT特征;最终定位复制粘贴区域,并利用目标跟踪算法计算篡改区域在后续帧上的位置.通过实验验证了算法的鲁棒性,与基于SIFT等特征的算法相比,时间效率和准确性更高.     

基于SIFT算法的室内全景图拼接

室内全景图像拼接采用SIFT特征点进行图像匹配与融合。由于相机镜头视野范围有限,需要多张具有重合区域不同角度图像进行拼接,以获得完整的全景图像。首先对多张原图像进行图像增强和噪声滤波的预处理,以减少特征点提取时的干扰因素;再将多张图像压入堆栈,采用SIFT算法提取每张图像的特征点;使用FLANN快速最近邻搜索包进行最近邻特征点匹配,最后进行图像融合。试验结果表明该方法能够很好地实现室内全景图像的拼接。     

基于尺度不变特征变换的快速图像拷贝检测

针对传统基于尺度不变特征变换（SIFT）特征的图像拷贝检测算法特征提取速度慢、匹配效率不高的问题,提出了一种基于SIFT特征点位置分布与方向分布特征的快速图像拷贝检测算法。首先,提取SIFT特征点二维位置信息,通过计算各个特征点与图像中心点的距离、角度,分块统计各区间的特征点数量,依据数量关系量化生成二值哈希序列,构成一级鲁棒特征;然后,根据特征点一维方向分布特征分块统计各方向子区间特征点数量,依据数量关系构成二级图像特征;最后,拷贝检测时采用级联式过滤框架作出是否为拷贝的判断。仿真实验结果表明,与传统SIFT以128维特征描述子为基础构建哈希序列的图像拷贝检测算法相比,所提算法在保证鲁棒性与独特性不降低的同时,特征提取时间缩短为原来的1/20,匹配时间也缩短了1/2以上,可满足在线拷贝检测的需求。