结合SIFT和Delaunay三角网的遥感图像配准算法

针对高分辨率遥感图像中提取的特征点数目过大且易存在误匹配点的问题,提出了一种粗配准和精配准相结合的高分辨率遥感图像配准算法.首先对图像降采样处理后,提取大尺度空间下的SIFT特征点,求得仿射变换模型完成图像粗配准;然后对图像进行分块,利用SIFT方法对每幅子块图像提取特征点,并找到对应子块图像之间的匹配点对;之后利用特征点构建Delaunay三角网,计算每对子块图像之间的三角形相似度,构成相似矩阵,从中挑选相似度大的三角形对以构成精确匹配点对;最后利用得到的精确匹配点对实现最终的图像配准.该算法能够减少提取的特征点数且剔除更多的错误匹配点,从而进一步提高精确匹配点率.实验结果表明了算法的有效性.     

高分辨率遥感图像配准控制点均匀化算法

针对多源遥感图像普遍具有数据量大、辐射差异大等特征,而现有的图像配准算法无法直接应用于遥感图像自动配准处理中的问题,综合考虑控制点的密度和分布,提出了一种高分辨率遥感图像自动配准算法。首先,将待配准图像和参考图像降采样到单机可以处理的大小,利用尺度不变特征变换(SIFT)算法建立降采样图像间的初始匹配;其次,将原始待配准图像按照网格分割为子图像,并利用初始匹配找到每幅子图像在参考图像上的对应子图像;再次,利用SIFT和极大稳定区域(MSER)特征点的空间互补性,在每一对子图像上提取大量特征点;最后,利用随机采样一致性(RANSAC)算法剔除误配后,采用基于最大团问题的贪心法进行控制点均匀化处理,进一步剔除冗余的控制点。与现有的基于SIFT特征和基于灰度的遥感图像配准算法相比,本算法在配准精度和控制点的分布均匀度等方面具有优越性。     

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。     

基于异常区域感知的多时相高分辨率遥感图像配准

在对多时相高分辨遥感图像进行配准时,由于成像条件差异,图像间存在的地物变化与相对视差偏移两类典型异常区域会影响配准精度。针对上述配准中存在的问题,提出一种基于异常区域感知的多时相高分辨率遥感图像配准方法,包括粗匹配和精配准两个阶段。尺度不变特征变换（SIFT）算法考虑到尺度空间属性,不同尺度空间提取的特征点在图像中对应不同大小的斑块,高尺度空间提取的特征点对应图像中的大斑点,其对应地物相对稳定、不易发生变化。首先,利用SIFT算法提取高尺度空间特征点完成图像快速粗匹配;其次,利用灰度相关性度量对图像块进行相对偏移量统计分类以感知视差偏移区域,同时结合空间约束条件,确定低尺度空间特征点的有效提取区域以及匹配点搜索范围,完成图像精配准。实验结果表明,将该方法用于多时相高分辨遥感图像配准,可有效抑制异常区域对特征点提取的影响进而提高配准精度。     

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。     

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。     

新型优化SIFT的图像快速配准方法研究

针对尺度不变特征变换（Scale Invariant Feature Transform,SIFT）算法图像配准时间长、匹配率低等问题,提出了重合区域图像极值特征提取法以及图像降采样特征配准法。在特征匹配的过程中,重点考虑重叠区域的特征匹配点对极值一致性约束条件,并利用差分尺度空间的局部单极值,以减小冗余特征点,节约特征提取与匹配时间;在此基础上,以图像尺度大小（选择180×180）作为缩放约束,对图像进行同比例插值缩小,并根据缩放后图像与原始图像变换矩阵之间的关系,计算出原始图像变换矩阵,实现图像的快速、精确配准。利用实例验证了所提方法的有效性和可行性。     

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。     

一种新型遥感图像配准方法

提出了一种新型全自动稳健的遥感图像配准算法。首先,在图像二维平面空间和尺度空间中同时检测局部极值作为特征点,并在特征点邻域提取局部不变特征描述子一尺度不变特征变换（SIFT）。然后,利用距离测度进行SIFT特征匹配得到初步的匹配集合。最后,运用稳健的随机采样一致性（RANSAC）算法将匹配点集划分为内点和外点,在内点域上精确地估计出图像变换模型。实验利用仿真数据测试了SIFT特征的可重复性和可匹配性,利用卫星图像验证了该自动配准算法的有效性和稳健性。     

基于显著图的SIFT特征检测与匹配

基于尺度不变特征变换(SIFT)特征的图像匹配存在特征点数量大、运算时间长等问题。为此,引入视觉注意机制,提出一种基于显著图的SIFT特征检测与匹配方法。比较常用的显著图计算模型,选择谱残差方法提取图片的显著图。对显著图进行二值化和形态学等处理,得到规则合理的显著区域。在显著区域内提取SIFT特征,生成特征向量,进行图像匹配。实验结果表明,该方法能提高运算效率,并且得到的SIFT特征更加稳定。     

基于改进的SIFT算法的红外图像配准

电路板红外图像具有分辨率低、对比度低、信噪比低、视觉效果模糊的特点,目前的图像配准算法用于电路板红外图像配准时,运算时间长且匹配准确度低.针对电路板红外图像的特点,梳理了图像配准方面的国内外研究现状,分析了SIFT算法的基本原理,对原有的SIFT算法进行了修改.对特征点的提取方式进行了改进,减少了不必要的特征点;改进了特征点的描述符,降低了特征向量的维数;在特征点匹配的时候加入了分层阈值.对改进的算法进行了一系列的测试,针对三对电路板的红外图像进行配准,实验结果表明,相比于传统的SIFT算法,改进的SIFT算法在进行电路板红外图像配准的时候,匹配的准确率和运算时间得到了很大的提升,为电路板红外图像的配准提供了新的方法.     

基于标准化欧式距离的双向特征匹配算法研究

基于特征的匹配算法是图像配准的重要内容,针对传统SIFT匹配法存在的重复匹配、多对一匹配、正确率不高等问题,本文提出了基于标准化欧式距离的双向特征匹配算法。该算法首先通过SIFT算法对特征点进行提取,然后用标准化欧氏距离对特征描述符进行度量,接着采用双向特征匹配算法对特征点进行匹配,最后以RANSAC算法对匹配对进行提纯。实验结果表明,使用标准化欧氏距离进行双向匹配,具有更高的准确率。     

点线特征融合的误匹配剔除算法

特征匹配作为计算机视觉的一项关键技术而备受关注。近年来,基于描述子的特征点匹配技术取得了一系列突破性进展,但曲线长度不一、端点定位不准确以及周围包含的重复性纹理较多等因素,导致了曲线匹配研究依旧是一个极具挑战性的热点研究课题,且现有曲线匹配方法大多出现匹配总数少、匹配正确率低的问题。为增加特征匹配的总数和正确率,利用特征点和特征曲线的位置关系提出一种点线特征融合的误匹配剔除算法(Point Line feature Fusion,PLF)。首先定义点到曲线的距离,利用点、曲线描述子提取图像的点、线特征;其次确定落入匹配曲线对应支撑区域内的匹配点对,并根据匹配点组和曲线间的距离约束剔除错误曲线匹配;最后利用点线距离约束剔除匹配曲线支撑区域内的错误点匹配。实验选取了3种不同的点线组合,即SIFT技术提取的点特征分别与IOCD曲线描述子、IOMSD曲线描述子、GOCD曲线描述子提取的曲线特征相融合, 验证算法 对多种点、线描述子具有适用性,且该算法不仅适用于特征点与特征曲线的融合,亦适用于特征点与特征直线的融合,从而验证了其对多种图像特征具有适用性。实验结果表明,在旋转、视角变化、光照变化、压缩、噪音、模糊等变换条件下,该算法均能有效提高曲线特征匹配的匹配总数和匹配正确率,同时提高点匹配的正确率。     

基于特征点匹配的全景图像拼接技术研究

提出了一种基于特征点匹配的全景图像拼接算法,首先提取各图像中的SIFT特征,通过特征点匹配完成两幅图像的配准;再根据图像配准结果计算出图像间的变换矩阵;最后采用渐入渐出加权平均的融合方法对两幅图像进行无缝拼接。实验表明,该算法具有匹配精度高、鲁棒性强等特点,可以快速而自动地生成全景图像。     

桥梁配准方法的研究与实现

以全色、多光谱图像中的桥梁目标为研究对象,采用具有尺度不变特征的SIFT算法,对图像进行特征点的提取与匹配,利用Delaunay三角网格对两幅图像特征点进行修正,通过投影变换将两幅图像变换到同一坐标系下进行配准,并利用均方根误差和相关系数进行配准评价;实验结果表明该方法可以减少图像的配准时间,配准精度达到亚像素级。     

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。     

肌骨超声图像特征检测及拼接

目的 肌骨超声宽景图像易出现解剖结构错位、断裂等现象,其成像算法中的特征检测影响宽景图像的质量,也是超声图像配准、分析等算法的关键步骤,但目前仍未有相关研究明确指出适合提取肌骨超声图像特征点的算法。本文利用结合SIFT （scale invariant feature transform）描述子的FAST（features from accelerated segment test）算法以及SIFT、SURF（speeded-up robust features）、ORB（oriented FAST and rotated binary robust independent elementary features（BRIEF））算法对肌骨超声图像序列进行图像拼接,并对各算法的性能进行比较评估,为肌骨超声图像配准、宽景成像提供可参考的特征检测解决方案。方法 采集5组正常股四头肌的超声图像序列,每组再采样10幅图像。利用经典的图像拼接算法进行肌骨图像的特征检测以及图像拼接。分别利用上述4种算法提取肌骨超声图像的特征点;对特征点进行特征匹配,估算出图像间的形变矩阵;对所有待拼接的图像进行坐标变换以及融合处理,得到拼接全景图,并在特征检测性能、特征匹配性能、图像配准性能以及拼接效果等方面对4种算法进行评估比较。结果 实验结果表明,与SIFT、SURF、ORB算法相比,FAST-SIFT算法所提取的特征点分布更均匀,可以检测到大部分肌纤维的端点,且特征点检测时间最短,约4 ms,其平均匹配对数最多,是其他特征检测算法的25倍,其互信息和归一化互相关系数均值分别为1.016和0.748,均高于其他3种特征检测算法,表明其图像配准精度更高。且FAST-SIFT算法的图像拼接效果更好,没有明显的解剖结构错位、断裂、拼接不连贯等现象。结论 与SIFT、SURF、ORB算法相比,FAST-SIFT算法是更适合提取肌骨超声图像特征点的特征检测算法,在图像配准精度等方面都具有一定的优势。     

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。