基于边缘几何特征的图像精确匹配方法

提出一组快速高精度计算切线斜率的五点公式，用以估计图像边缘曲线的角度特征，并利用角度直方图估计图像几何变换的旋转参数，实现具有大旋转差异图像间的粗匹配．在进行角度补偿后，利用灰度互相关判据搜索匹配点对，计算出几何变换参数，实现较高精度的旋转和平移校正，最后用松弛迭代法完成图像的精确匹配．与基于小波方向角特征的匹配方法相比，文中方法利用图像中主要的边缘信息实施匹配，具有较好的鲁捧性，可成功实现对各类具有较大相关程度图像间的精确匹配，对图形匹配也具有重要意义．     

基于颜色特征的宽基线图像的点匹配算法

本文通过Harris算法提取角点,利用Fourier—Mellin变换估计图像大致的旋转、尺寸和平移参数．计算粗匹配点集,以粗匹配点为中心划定一小块区域,然后利用颜色特征具有旋转和尺寸不变的特性,对图像块的颜色矩进行匹配,从而得到精确的点对应关系。实验表明本算法在图像间有较大差别时能够较为准确地实现特征点的匹配。     

新型图像角度匹配方法及其应用研究

探讨了一种基于机器视觉的PCB自动装配线多焊盘实时定位方法。采用多分辨率图像金字塔匹配策略,利用模板图像与待搜索图像的灰度特性,使用圆投影匹配进行初始候选匹配点的选取,得到一系列的候选匹配子图;使用SIFT算法对候选匹配子图和模板图像进行特征匹配,确定对应匹配点,消除误匹配的候选子图;根据点的模式匹配,确定大致的旋转角度,使用重采样和插值的方法计算精确的旋转角度。实验表明,该方法可以准确、实时地实现目标定位。     

序列显微病理切片图像的自动拼接

针对存在模糊和较大旋转角度的病理切片序列图像,提出了一种具有尺度不变性的图像拼接方法。首先利用高斯图像金字塔提取图像的特征点,使用特征点主方向上描述符的相关性建立特征点匹配关系,最后采用随机抽样一致性算法计算匹配点对之间的变换模型参数。实验表明本文算法具有很强的灵敏性和适应性。     

高效的图模型点模式匹配算法

点模式匹配的概率图模型具有很好的匹配精度,但是计算复杂度较高,当隔离子中包含异常点（outlier）时匹配精度会受到较大的影响。为了提高匹配的速度和精度,提出了一种由粗到精的图模型点模式匹配算法。利用包含特征点的窗口,用标准化互相关方法对特征点进行粗匹配,以减少异常点的数量,提高后续匹配方法的速度和精度。提出了一种新的点模式匹配的概率图模型,这种图模型能综合利用特征点的位置信息和包含特征点的邻域的灰度信息。利用提出的概率图匹配方法对粗匹配所得到的点对进行分段匹配,得到精确的匹配结果。对光学图像和遥感图像的匹配实验显示该方法能显著减少点模式匹配时间,提高匹配的精度。     

基于小波多尺度积的图像配准方法

由于基于特征的图像配准方法，时提取图像特征的鲁棒性和精确性都有很高的要求，本文提出了一种基于小波多尺度积的图像配准方法。该方法利用小波多尺度积提取边缘图像和特征点，同时保存特征点的方向信息，具有抗噪性强和边缘定位精确等优点；然后利用特征点的方向信息，定义角度直方图来得到图像之间的精确旋转角度；最后可以选择多种匹配准则来确定匹配点对。实验结果表明，本文提出的方法具有精确性、抗噪性、有效性和鲁棒性等优点。     

一种基于极坐标变换的点模式匹配算法

点模式匹配是目标识别、图像配准与匹配、姿态估计等计算机视觉与模式识别应用方向的基础问题之一。提出了一种新的利用点特征进行匹配的算法,该算法根据点集的分布与点位置信息,构建了点的特征属性图,通过极坐标变换得到对数极坐标的特征图,并利用几何不变矩方法对特征图进行描述。由特征描述向量的比较,获得粗匹配结果,然后通过几何约束迭代的方法获取最终的点集匹配结果。本文贡献如下:一,构建了一种点的极坐标变换特征,并运用不变矩进行描述,使所提特征具有旋转与平移的不变性;二,提出了利用点特征与整体点集几何约束结合的匹配算法,能有效克服出格点与噪声带来的不利影响。最终实验说明了算法的有效性和鲁棒性。     

一种鲁棒的序列图像自动拼接方法

针对传统图像拼接方法中鲁棒性差、计算量大及自动化程度低等问题,提出一种鲁棒性高的序列图像自动拼接方法。该方法首先采用Harris角点检测算子对经Wallis滤波后的序列图像进行特征点提取,并结合Forstner算子对特征点进行精确定位。然后基于所提取的特征点,采用邻域灰度互相关法进行序列图像的特征点匹配,得到粗匹配点集,并运用RANSAC算法对粗匹配点集处理得到精匹配点集,由精匹配点集求出较高精度的基础矩阵及极线,并由极线约束引导匹配得到高精度的匹配点对,再运用双向松弛整体匹配算法进一步剔除少数位于极线上的误匹配点。最后利用所得的高精度匹配点对,求解序列图像间的仿射变换关系,并进行图像的坐标变换和融合,从而实现序列图像的自动拼接。实验结果表明,该方法拼接效果理想,鲁棒性高,整个拼接过程全自动,不需要人工干预,具有较高的实用价值。     

基于边缘特征点对对齐度的图像配准方法

针对基于特征的图像配准方法存在特征提取的多样性和相似度计算的复杂性等问题,在定义边缘特征点对的角度直方图和对齐度的基础上,提出了一种基于边缘特征点对对齐度的图像配准方法。该方法首先利用小波多尺度积准确地提取边缘图像和特征点,然后根据特征点的角度直方图得到的旋转角度,并通过计算所有特征点对在边缘图像中的对齐度来精确地确定匹配点对。大量的实验结果表明,该方法具有较强的适用性、精确性和有效性。     

基于特征点的静脉识别算法研究

用生物识别中常用的基于特征点的方法、选用点模式匹配来研究静脉识别,将预先从静脉图像中提取的特征点集与输入的待匹配的静脉图像中提取的特征点集进行匹配.     

基于场强和凸壳的SIFT特征点匹配算法

传统尺度不变特征变换(SIFT)匹配算法的匹配结果易受参数影响。为此,提出一种于场强和凸壳的SIFT特征点匹配算法。在原始SIFT匹配方法基础上,结合特征点群的凸壳,引入引力场强概念刻画特征点群之间的空间特征关系,以进行图像点模式匹配,在匹配中充分利用特征点的几何空间信息。实验结果表明,该算法具有较高的匹配正确率,能找到更多的特征匹配点。     

基于NCC与SSDA的快速特征点匹配融合算法

快速、正确的匹配从两幅或多幅图像中提取出来的特征点是基于特征点图像配准问题的关键。传统的只使用归一化互相关匹配（NCC）算法进行的特征点粗匹配,虽然具有较强的抗噪声能力,但是匹配的速度很慢,而且错误率也比较高。因此,在研究了NCC算法与序贯相似度检测（SSDA）算法基础上,并改进了SSDA算法的非相似度计算方法,提出将两种算法融合在一起形成一种快速的特征点匹配算法,改进算法充分利用了两种算法的优点,大大提高了特征点的匹配速度,而且减少了错误匹配的个数。通过实验证明,该算法是一种有效的特征点匹配算法,比只使用NCC算法进行特征点匹配所需的时间降低了70%以上,正确匹配率也有所提高。     

基于最大池的谱特征匹配算法

为了提高基于谱特征的图像匹配算法的精度和鲁棒性,提出了一种基于最大池的谱特征匹配算法。首先,利用图像特征点邻域信息提取具有旋转不变性和亮度线性变化不变性的谱特征;其次,将以谱特征描述的特征点作为节点、特征点之间的欧氏距离作为边构造属性关系图,将图像匹配问题转化为图匹配问题;最后,引入最大池匹配策略获取图匹配结果。大量实验结果表明,该算法提高了谱特征匹配算法的精度和鲁棒性。     

基于点特征的旋转图像匹配新方法

图像匹配在模式识别、图像分析和计算机视觉中有着广泛的应用.图像匹配是将模板在参考图中逐像素移动,计算它们的灰度相似性,搜索相似性最大的位置.这种逐像素的搜索方法计算复杂度高.如果模板和参考图之间存在旋转,传统的匹配方法很难实时实现.提出了一种基于点特征的旋转图像的匹配方法,首先采用Harris角点检测算子提取图像的特征点,然后利用小面模型对特征点邻域进行拟合,提取特征点的旋转不变特征,最后利用特征点的旋转不变特征进行点集的匹配,获取图像的平移和旋转参数.该方法匹配结果准确,与传统的相关匹配方法相比计算复杂度很小,易于实时实现.     

改进的基于凸壳仿射不变量的图像识别和配准算法

提出了一种新的基于凸壳和仿射不变量的图像识别和配准的方法。该方法利用从参考图和测试图中得到的特征点提取其凸壳，并计算凸壳的仿射不变特征向量。通过比较参考图和测试图特征向量的一致性，建立它们的仿射变换关系，最后利用凸壳内特征点的匹配来实现识别和配准。该方法的优点是即使目标物体被部分覆盖或者缺损，其图像也能够达到较好的识别和配准效果。     

无方向的三角形匹配指纹识别

目的 指纹匹配是自动指纹识别系统研究的核心内容之一,匹配算法的好坏直接影响识别系统的效能。目前,大多数点模式匹配算法都依赖于指纹方向场的求取,由于输入的指纹图像存在平移、旋转和尺度变化,因此同一个手指在不同时间获得的指纹图像的方向场是不同的,这不仅增加了计算量,也影响了指纹识别的精度。针对上述问题,提出了无方向的三角形匹配算法。方法 提出的三角形匹配算法是以平面中任意点与一个确定的三角形之间的位置结构稳定性为理论基础的。首先,分别在待识指纹图像和模板指纹图像中确定基准三角形;其次,将各个特征点与基准三角形三个顶点的距离组成有序三数组;最后,利用数组的相等程度对指纹相似度进行匹配判断。结果 采用国际标准测试库FVC2004进行综合性能比对实验,实验结果表明,与其他几种匹配算法相比,本文方法在识别精度上提高了27.97%~33.81%,在比对时间上降低了3%~5%,在不同旋转角度下误匹配率平均降低了约86.63%,对噪声、平移、旋转和形变有足够的适应能力,具有较高的容错能力和鲁棒性。结论 无方向的三角形匹配算法是一种全局模式的算法,该算法不受指纹图像方向及其位置的影响,实现过程简单,识别精度高,平均比对时间少,适用于处理不同类型的图像数据。     

基于双目视觉的基准差梯度立体匹配法􀀂

因灰度相关只是从一个侧面来描述左右图像特征点区域之间的灰度相似性,没有考虑特征点之间的空间相关性,因此利用灰度间的相似性作为测量标准进行匹配,不可避免地出现误匹配,提出了在进行双目视觉立体匹配时,采用灰度相关匹配技术,提取复峰特征点作为初始匹配集,采用视差梯度有限约束优化初始匹配集.利用左右图像一对已知对应基准点,通过计算基准点与复峰集各点间的基准差梯度,采用基准差梯度极小化评判标准,确定唯一匹配,并将匹配结果确定为新的基准点以不断更新基准点,直至左(右)图像特征点匹配完毕.通过分别对一幅弱纹理实际自然图像及已知三维坐标标准件的三维重建,证实了所提方法的有效性和可靠性.     

三维图匹配算法

目的 现有的图匹配算法大多应用于二维图像,对三维图像的特征点匹配存在匹配准确率低和计算速度慢等问题。为解决这些问题,本文将分解图匹配算法扩展应用在了三维图像上。方法 首先将需要匹配的两个三维图像的特征点作为图的节点集;再通过Delaunay三角剖分算法,将三维特征点相连,则相连得到的边就作为图的边集,从而建立有向图;然后,根据三维图像的特征点构建相应的三维有向图及其邻接矩阵;再根据有向图中的节点特征和边特征分别构建节点特征相似矩阵和边特征相似矩阵;最后根据这两个特征矩阵将节点匹配问题转化为求极值问题并求解。结果 实验表明,在手工选取特征点的情况下,本文算法对相同三维图像的特征点匹配有97.56%的平均准确率;对不同三维图像特征点匹配有76.39%的平均准确率;在三维图像有旋转的情况下,有90%以上的平均准确率;在特征点部分缺失的情况下,平均匹配准确率也能达到80%。在通过三维尺度不变特征变换（SIFT）算法得到特征点的情况下,本文算法对9个三维模型的特征点的平均匹配准确率为98.78%。结论 本文提出的基于图论的三维图像特征点匹配算法,经实验结果验证,可以取得较好的匹配效果。     

一种基于奇异值分解的图像匹配算法

图像匹配技术在计算机视觉、遥感和医学图像分析等领域有着广泛的应用背景.针对传统的相关匹配算法计算量大、对图像旋转敏感等问题,提出一种新的基于奇异值分解的图像匹配算法.首先在待匹配图像中分别提取带主方向的角点作为特征点,通过计算特征点间经旋转补偿的归一化互相关值建立特征点相似度矩阵,然后利用奇异值分解算法生成特征点匹配矩阵并获得特征点间的一一对应关系.在复杂自然图像上的实验结果表明,算法能够匹配任意角度旋转的图像,对局部遮挡、光照变化、随机噪声等具有较强的健壮性,并具有较快的计算速度和较高的匹配精度.此外,该算法易于和其他匹配技术进行融合并获得性能提升,其与SIFT描述子结合的匹配实验结果表明,该算法具有良好的扩展性和实用性.     

Fast Feature‐Oriented Visual Connection for Large Image Collections

Deriving the visual connectivity across large image collections is a computationally expensive task. Different from current image‐oriented match graph construction methods which build on pairwise image matching, we present a novel and scalable feature‐oriented image matching algorithm for large collections. Our method improves the match graph construction procedure in three ways. First, instead of building trees repeatedly, we put the feature points of the input image collection into a single kd‐tree and select the leaves as our anchor points. Then we construct an anchor graph from which each feature can intelligently find a small portion of related candidates to match. Finally, we design a new form of adjacency matrix for fast feature similarity measuring, and return all the matches in different photos across the whole dataset directly. Experiments show that our feature‐oriented correspondence algorithm can explore visual connectivity between images with significant improvement in speed.