基于尺度不变Harris特征的准稠密匹配算法

准稠密匹配是多视图三维重建的重要技术,其性能对重建结果至关重要。针对常用的Sift算法提取的种子点进行准稠密匹配正确率较低、重建效果不佳的问题,提出了一种基于尺度不变Harris角点特征的准稠密匹配算法。该算法首先在图像多尺度空间构造尺度不变Harris特征,并采用余弦距离测度对不同视图进行双向匹配;然后根据稀疏匹配获取种子点,采用最优最先匹配扩散策略进行准稠密扩散;最后采用局部非极大值抑制策略对匹配结果进行重采样。实验表明,本文算法提取的种子点既能够体现场景结构信息,又具有尺度不变特性,用于准稠密匹配能够提高匹配的效果和精度,是一种有效的用于三维重建的准稠密匹配算法。     

基于图像增强的月面特征提取与匹配方法

针对月面巡视探测器自主导航中的障碍识别问题,为了采集清晰有效的图形,使用一种基于图像增强的方法结合尺度不变的特征点提取和匹配新的算法来识别障碍物。使用图像增强方法预处理图像,用多尺度特征极值点检测的SIFT方法,提取特征,进行左右双目图像的特征匹配。与传统视觉算法相比,可以解决仿真试验场较差的光源环境,并提高对不同光照环境图像的特征提取和匹配的鲁棒性。在仿真试验场的双目视觉图像匹配中,仿真实验取得较好的效果。     

基于视差和SIFT的双目视觉移动目标识别和追踪的研究

开展基于视差和尺度不变特征变换(SIFT)的双目视觉移动目标识别和追踪的研究。首先采用基于梯度的立体匹配算法得到较准确的左右视图视差映射,其次通过视差映射提高基于SIFT特征的左右视图运动目标的匹配精度,最后利用视差映射和区域增长的方法相结合分别在左右视图完成运动目标的追踪。实验结果表明,基于视差信息和SIFT的双目视觉移动目标识别与追踪算法具有很好的准确性,能够在连续视频中完成左右视场中对同一物体的追踪。     

双目视觉小波域SIFT匹配与极线约束算法研究

研究双目立体视觉技术,特征的提取和匹配是双目视觉的最基本的问题。目前,SIFT已经被证明鲁棒性最好的局部不变特征描述符。但是SIFT算法产生的误匹配较多,精度偏低,为了解决这一问题,同时降低算法特征提取与匹配的复杂度,达到双目立体视觉实时性的要求,文中提出了一种结合小波变换和SIFT特征点的双目立体视觉匹配方法。首先,对双目视觉系统采集的左、右图像进行小波分解,把分解得到的低频图像作为输入,用SIFT算法进行特征点的初始匹配,再利用极线约束的理论求得精确匹配。实验结果表明,该方法具有较强的适应性,能够在减少误匹配的同时,大大加快运算速度。     

基于多尺度HOG的草图检索

草图检索是图像处理领域中的重要研究内容。提出了一种将高斯金字塔和局部HOG特征融合的特征提取改进方法,并将其用于草图检索。采用高斯金字塔将图像分解到多尺度空间,在所有尺度上进行兴趣点提取,获得基于兴趣点的多尺度HOG特征。利用图像的多尺度HOG特征集生成视觉词典,最终形成与视觉词典相关的特征描述向量,通过相似度匹配实现草图检索。将该算法与单一尺度下的HOG算法及其他几种算法比较,实验结果表明了其可行性和有效性。     

基于多视图三维重建方法在实验室系统中的应用研究

针对愈渐复杂的实验室系统,采用基于多视图的三维重建方法,实现对实验室系统中设备的结构重建.通过尺度不变特征变换(SIFT)匹配算法进行特征提取和匹配,并利用随机抽样一致性算法(RANSAC)和交叉过滤法降低误匹配率;通过多视图聚簇/基于面片的三维多视角立体视觉算法(CM-VS/PMVS)获取稠密点云;利用PCL泊松曲面重构算法将稠密点云生成多边形网格,得到最终的重建图像.采用真实的实验室设备进行了验证和测试,实验结果表明,该方法可以有效快速地进行实验室设备的三维重建.     

砂轮地貌双目图像特征点提取和匹配研究

特征提取和匹配是双目视觉中的关键点和难点。对SIFT和Harris两种特征点提取算法应用于双目砂轮地貌图像的角点检测进行了研究,通过对SIFT特征采用欧式距离进行匹配,对Harris角点采用零均值归一化互相关算法(ZNCC)进行模板匹配,采用RANSAC算法剔除误匹配特征点对。实验结果表明,SIFT算法在双目砂轮地貌图像上应用较Harris算法效果理想。     

面向多尺度目标检测的改进Faster R-CNN算法

由于多尺度目标检测中图像目标尺度差异性大,基于单层次特征提取的目标检测算法或者导致小目标特征提取丢失、扭曲,或者导致大目标特征提取冗余度过高,检测效果不理想.为此,基于Faster R-CNN思想,提出一种多尺度目标检测算法.首先采用多层次提取特征策略提取多尺度目标特征;然后统计目标真实框大小与纵横比,设置锚点规格;最后采用多通道方法生成多尺度目标候选框.基于PASCAL VOC数据集的实验结果表明,该算法总体漏检率为9.7%,平均精度的均值为75.2%,检测性能较当前主流的多尺度目标检测算法有一定的提高.     

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.     

基于特征匹配要求的纹理边缘检测

为了更精确地进行机器人双目视觉中的特征匹配,需要获得数字图像中丰富而精确的纹理与边缘信息。为此提出了一种新的基于稳态小波变换（SWT）的多尺度纹理边缘检测算法。利用稳态小波变换（SWT）的平移不变性来精确捕获奇异点,在多尺度上通过小波参数的梯度变化检测纹理边缘,而后进行多尺度融合并运用形态学方法得到单像素宽度、精确的纹理边缘二值图。通过对比实验结果表明,相对于经典的边缘检测算法,该算法在抗噪声能力,物体表面纹理的丰富度以及边缘定位的准确性上有很大的提升,并满足特征匹配的需求。     

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。     

基于改进BRISK算法的单目视觉里程计

在传统的BRISK算法中使用自定义的抽样模式来描述检测到的特征点,使用基于汉明距离的方法进行特征点匹配。BRISK的这种特征点描述与匹配的方法使得其匹配准确率不高。因此本文提出将匹配准确率较高的SURF算法与BRISK算法相结合,在BRISK特征点描述与匹配阶段使用SURF描述符和基于欧氏距离的匹配方法。实验结果表明,该算法在时间消耗下降不大的情况下,特征点匹配准确率有很大提高,且该算法具有较好的鲁棒性。     

基于特征点匹配的改进模板匹配算法

特征点匹配是图像匹配领域中一项重要研究内容。暴力匹配中强调缺少特征匹配不是由于太少的正确匹配,而在于很难分辨真假,故加入模板匹配进行约束,提出一种改进模板匹配算法。为了提升匹配速度和精度,该算法通过提供特征点的坐标,可以计算出每个特征点的得分值,并将其用于从输入图像中提取模板。基于输入图像和另一幅图像之间的模板匹配,使用暴力匹配算法在模板和匹配区域之间进行特征点匹配。该算法可以将高匹配数转换为高匹配质量。实验结果表明,该算法匹配速度较快、准确度较好。     

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。     

一种改进的Harris特征点匹配算法

针对Harris特征点匹配的精度低和效率不高的问题, 提出了基于Harris特征点匹配的改进算法. 首先对Harris特征点的提取方法进行了改进, 减少了伪特征点的提取. 然后利用改进的双向最大归一化相关系数匹配的方法提取初始特征点对, 最后用改进的随机采样一致法来剔除伪特征点对, 实现特征点对的精确匹配. 实验结果表明, 该算法不仅提高了特征点匹配的精度, 而且极大地提高了特征点匹配的效率.     

基于Ncut的SIFT特征匹配算法

经典尺度不变特征变换(SIFT)特征匹配算法存在实时性差、纹理相似区域易发生误匹配的问题。为此,提出一种基于归一化分割(Ncut)的SIFT特征匹配算法。针对相同背景的运动视频,将归一化分割算法的图论聚类思想融入SIFT特征匹配中,根据运动趋势相似度对特征点进行Ncut运动聚类,再逐类分别匹配,通过缩小各特征点匹配过程中的搜索范围,减少匹配时间及不同特征类之间的误匹配。实验结果表明,该算法能提高匹配效率,对纹理相似区域的误匹配现象有较好的抑制作用,实现了相邻图像帧的特征稳定匹配。     

具有光照鲁棒的图像匹配方法

针对现有的基于局部特征的图像匹配算法对光照变化敏感、匹配正确率低等问题，提出一种具有光照鲁棒性的图像匹配算法。首先使用实时对比保留去色（RTCP）算法灰度化图像，然后利用对比拉伸函数模拟不同光照变换对图像的影响从而提取抗光照变换特征点，最后采用局部强度顺序模式建立特征点描述符，根据待匹配图像局部特征点描述符的欧氏距离判断是否为成对匹配点。在公开数据集上，所提算法与尺度不变特征变换（SIFT）算法、加速鲁棒特征（SURF）算法、"风"（KAZE）算法和ORB算法在匹配速度和匹配正确率上进行了对比实验。实验结果表明：随着图像亮度差异的增加，SIFT算法、SURF算法、"风"（KAZE）算法和ORB算法匹配正确率下降迅速，所提算法下降缓慢并且正确率均高于80%；所提算法特征点检测较慢和描述符维数较高，平均耗时为23.47 s，匹配速度不及另外四种算法，但匹配质量却远超过它们。对实时性要求不高的系统中，所提算法可以克服光照变化对图像匹配造成的影响。     

基于SURF 特征提取和FLANN 搜索的图像匹配算法

针对传统图像匹配算法存在特征信息少和误匹配率高的问题,提出基于SURF 特 征提取和FLANN 搜索的图像匹配算法。通过Hessian 矩阵获取图像局部最值,并使用不同尺寸 特征描述器,同时处理尺度空间多层图像的向量特征,最后采用FLANN 搜索算法进行特征匹 配。试验表明,该算法比传统的图像匹配算法在效果和效率方面都表现得更好。     

基于微观图像的图像拼接算法研究

针对传统图像拼接算法不适用于局部特征点多的微观图像实时拼接问题,结合Harris角点、SURF算法和K-Means算法提出了一种改进的算法。具体的算法流程如下：通过Harris角点提取微观图像中的特征点,并在形成SURF描述子后利用最近近邻算法对这些特征点进行粗配准。通过K-Means算法对初次配准的特征点进行聚类分簇获取聚类中心,并提取有效聚类区域的特征点。对有效的特征点进行精确配准,并校验配准后特征点的斜率一致性和距离一致性,从而实现精确的特征点匹配。实验结果证明,该算法克服了特征点多造成图像拼接时间长和拼接误差大的问题,具有较强的鲁棒性和稳定性,可应用于微观图像实时拼接领域。     

基于改进SIFT算法的山谷地形影像匹配

针对山谷地形的低空影像中地貌单一且特征不易提取的问题,本文对SIFT算法改进,融合Harris特征提取算法优势,得到一种可用于山谷地形下低空无人机影像特征提取与匹配的算法。算法首先利用Harris算法和SIFT算法分别提取特征点,对两种算法提取的特征点进行合并,然后运用SIFT算法对合并后的特征点进行描述,再利用特征点特征向量的欧氏距离进行粗匹配,最后利用RANSAC算法进行精匹配来提高匹配精度。为了验证该算法的有效性,选用一组山地影像数据进行实验并与SIFT算法进行比较,结果表明:算法有效地提升了山谷地形影像上特征点匹配精度。