基于连通区域的仿射不变区域提取方法?

针对现有仿射不变特征提取方法存在计算量大、鲁棒性差的问题,提出一种基于连通区域的仿射不变区域提取方法。对输入的灰度图像进行各向异性高斯滤波,并对滤波后的图像进行灰度直方图均衡化。找到图像中灰度值相同点所组成的连通区域,将灰度值差小于delta的相邻连通区域进行合并,把满足条件的最后一次合并结果作为图像的局部仿射不变区域。实验证明,该方法提取效果好、速度快且鲁棒性强。     

利用仿射几何特性提取图像中的仿射不变特征

利用仿射几何的性质从图像中提取仿射不变特征,提出了扩展质心(extended centroid,EC)和仿射区域划分(affine region cutting,ARC)的概念,通过迭代ARC求得多个仿射区域的扩展质心序列,将扩展质心序列按一定规则组合成一系列三角形,然后根据仿射几何的性质,由各个三角形的面积构造不变特征。该不变特征提取方法具有速度快、简单灵活的特点,所构造的特征量对照度变化、噪声干扰、部分遮挡以及小角度3维旋转具有较好的稳定性,实验结果验证了该方法的有效性。     

基于图像仿射不变特征点的零水印算法

本文提出了一种基于图像提升小波变换和仿射不变特征点的零水印算法。首先对图像进行3级提升小波变换,然后在低频部分,利用Harris-Affine算子提取出图像的仿射不变特征点和仿射协变特征区域,利用这些特征区域来构造零水印信息。实验证明,该算法不仅对常规信号处理攻击和简单的几何攻击具有很强的鲁棒性,对于剪切、纵横比改变、行列去除,局部扭曲等较复杂的几何攻击也具有较强的抵抗能力。     

多尺度最稳定极限区域仿射不变特征

基于局部区域的仿射不变特征被广泛应用于目标识别、场景分类和图像检索.在已经提出的仿射不变局部特征中,最稳定极限区域特征MSER(maximally stable extremal region)在多个方面具有优越的性能.但是由于最稳定极限区域特征MSER是从单一尺度图像中提取的,当图像尺度发生较大变化时,图像的模糊会使最稳定极限区域特征的边界发生变化,从而影响特征的稳定性.针对这一问题,通过定义多尺度空间中极限区域的稳定性指标,提出一种在图像空间和尺度空间都最稳定的极限区域特征,并设计了在尺度空间进行极限区域提取的快速算法.同时,针对极限区域可以较好地描述特征轮廓的特点,将局部灰度梯度信息和形状信息相结合设计了一种新的特征描述器.这种特征被称为多尺度最稳定极限区域MMSER(multi-scale maximally stable extremal region)特征.实验结果表明,在不同仿射变化条件下,MMSER的稳定性和可识别性均优于MSER,而且其描述器的创建时间约为SIFT描述器的45%.     

基于局部仿射不变特征的宽基线影像匹配

提出了一种基于局部仿射不变量特征的宽基线影像匹配算法。该算法以影像特征点为定位点，使用分层变尺度窗口内的几何和亮度仿射不变量特征实现立体匹配。由于使用局部特征，在较大窗口范围内构造尺度、旋转不变特征,以及将大窗口划分为较小的子区域，因此，该算法具有较高的匹配可靠性、较高的效率和匹配精度。     

基于二代Bandelet变换与稳定特征检测的鲁棒图像水印算法

当前基于特征点的图像水印技术主要是将水印信息隐藏到采用固定值构建的特征不变区域中,其抵御几何变换能力不佳。对此,设计二代Bandelet变换耦合稳定特征检测的图像水印算法。引入尺度不变特征变换方法,提取载体图像中潜在的特征点;根据特征点的Hessian矩阵对应的特征值,构建不稳定特征点消除规则;根据特征点的尺度因子,计算圆形半径,建立局部特征不变区域;定义鲁棒特征区域选择机制,找出合适的水印嵌入位置;引入二代Bandelet变换,处理鲁棒特征区域,获取并选择出重要的Bandelet系数;设计水印嵌入方法,将经过仿射映射加密后的二值水印隐藏到重要的Bandelet系数,获取水印图像;检测水印图像的稳定特征点,联合二代Bandelet变换,从水印图像中复原二值水印。测试结果显示:与已有的鲁棒水印方案相比,该方案具有更高的不可感知性与鲁棒性,其输出的水印图像对应的差分图更为理想,在多种几何攻击下的复原水印失真度最小。     

具有仿射不变性的视网膜图像配准方法

为解决眼底照相机视角发生变化的视网膜图像的配准问题,提出一种具有仿射不变性的局部特征配准方法.首先通过寻找连通的血管交点对应的最小包围矩形得到仿射不变的各向异性图像结构;然后通过旋转、采样和压缩操作将各向异性的图像结构变为含不同角度因素的各向同性的图像结构;最后使用尺度不变特征变换算法在各向同性的图像结构上提取特征点,并对特征点坐标进行匹配.在包含83组视网膜图像的私有样本集中的实验结果表明,该方法的均方根误差为1.247±0.251像素,能很好地解决视角和尺度变化问题.     

立体目标的宽基线图像匹配

为了匹配立体目标的图像特征,提出一种仿射不变的局部特征提取算法。根据高斯滤波器的形状和大小要与图像结构相适应的原理,该算法利用图像中的最大稳定极值区域(MSER)的协方差矩阵衡量局部图像结构,并将局部图像结构变换到圆形高斯滤波器适用的形式下,以解决视角和尺度变化问题。为了保证图像变换的正确性,采用旋转压缩的方式将各向异性的图像结构变换为各向同性的图像结构。最后在各向同性的图像结构上提取尺度不变特征变换(SIFT)特征点,并将SIFT特征点的坐标变回原图像坐标。实验结果表明该算法提取的局部特征是完全仿射不变的,在立体目标的宽基线图像匹配中表现出良好的效果。     

利用仿射几何的仿射不变特征提取方法

提出一种新的基于仿射几何的仿射不变特征提取方法,适合于目标的识别和图像的匹配。算法分3步执行：首先,提取区域的质心和扩展质心,质心和扩展质心的连线把目标区域分割成两部分,再分别计算两部分区域的质心,如此迭代,直到提取出满足要求的质心个数;然后,依次计算四边形的面积,其中四边形的顶点分别为其连线分割目标区域的两个质心和两个分割区域的质心;最后,依次计算各个四边形的面积比,得到仿射不变特征矢量; 另外,仿射变换的参数也可以通过计算提取的质心坐标得到。实验表明,提取的不变特征矢量稳健性好、计算速度快、分类精度高。     

局部不变特征综述

局部不变特征是近年来计算机视觉领域的研究热点。局部不变特征在宽基线匹配、特定目标识别、目标类别识别、图像及视频检索、机器人导航、场景分类、纹理识别和数据挖掘等多个领域得到了广泛的应用。本文基于局部不变特征检测、局部不变特征描述和局部不变特征匹配3个基本问题,综述了文献中现有的局部不变特征研究方法,并比较了各类方法的优缺点。根据特征层次的不同,局部不变特征检测方法可以分为角点不变特征、blob不变特征和区域不变特征检测方法3类。局部不变特征的描述方法可以分为基于分布的描述方法、基于滤波的描述方法、基于矩的描述方法和其他描述方法。局部不变特征匹配的研究主要集中在相似性度量、匹配策略和匹配验证3个方面。最后在分析各类研究方法的基础上,总结了局部不变特征研究目前存在的一些问题及可能的发展方向。     

图像匹配方法研究综述

目的 图像匹配作为计算机视觉的核心任务,是后续高级图像处理的关键,如目标识别、图像拼接、3维重建、视觉定位、场景深度计算等。本文从局部不变特征点、直线、区域匹配3个方面对图像匹配方法予以综述。方法 局部不变特征点匹配在图像匹配领域发展中最早出现,对这类方法中经典的算法本文仅予以简述,对于近年来新出现的方法予以重点介绍,尤其是基于深度学习的匹配方法,包括时间不变特征检测器（TILDE）、Quad-networks、深度卷积特征点描述符（DeepDesc）、基于学习的不变特征变换（LIFT）等。由于外点剔除类方法常用于提高局部不变点特征匹配的准确率,因此也对这类方法予以介绍,包括用于全局运动建模的双边函数（BF）、基于网格的运动统计（GMS）、向量场一致性估计（VFC）等。与局部不变特征点相比,线包含更多场景和对象的结构信息,更适用于具有重复纹理信息的像对匹配中,线匹配的研究需要克服包括端点位置不准确、线段外观不明显、线段碎片等问题,解决这类问题的方法有线带描述符（LBD）、基于上下文和表面的线匹配（CA）、基于点对应的线匹配（LP）、共面线点投影不变量法等,本文从问题解决过程的角度对这类方法予以介绍。区域匹配从区域特征提取与匹配、模板匹配两个角度对这类算法予以介绍,典型的区域特征提取与匹配方法包括最大稳定极值区域（MSER）、基于树的莫尔斯区域（TBMR）,模板匹配包括快速仿射模板匹配（FAsT-Match）、彩色图像的快速仿射模板匹配（CFAST-Match）、具有变形和多样性的相似性度量（DDIS）、遮挡感知模板匹配（OATM）,以及深度学习类的方法MatchNet、L2-Net、PN-Net、DeepCD等。结果 本文从局部不变特征点、直线、区域3个方面对图像匹配方法进行总结对比,包括特征匹配方法中影响因素的比较、基于深度学习类匹配方法的比较等,给出这类方法对应的论文及代码下载地址,并对未来的研究方向予以展望。结论 图像匹配是计算机视觉领域后续高级处理的基础,目前在宽基线匹配、实时匹配方面仍需进一步深入研究。     

基于角仿射不变的特征匹配

同一场景的不同图像匹配是计算机视觉中的一个基本问题，在诸如三维重建、对象识别和分类、图像配准和相机自校正等应用中，特征匹配都是一个关键步骤。为解决三维场景重建问题，通过改进目前特征匹配的不足，提出了一种基于角仿射不变的特征匹配算法。该方法是使用角作为图像匹配选取的特征，通过仿射不变处理来消除图像缩放、扭曲、旋转和平移产生的影响，实验表明，该算法具有良好的匹配性能，可以对差异较大的图像对进行特征匹配。     

Affine invariant comparison of point-sets using convex hulls and hausdorff distances

Many object recognition or identification applications involve comparing features associated with point-sets. This paper presents an affine invariant point-set matching technique which measures the similarity between two point-sets by embedding them into an affine invariant feature space. The developed technique assumes no a priori knowledge of reference points, as is the case in many identification problems. Reference points of a point-set are obtained based on its convex hull. An enhanced version of the Modified Hausdorff Distance is also introduced and used in the feature space for comparing two point-sets. It should be noted that the technique does not attempt to obtain correspondences between the point-sets. The introduced technique is applied to two real databases and its performance is found favorable as compared to three other affine invariant matching techniques.     

基于深度信息与尺度空间的仿射不变特征检测*

介绍了一种利用深度信息的仿射区域检测器。这种方法在视角变换的情况下能自动检测出图景中同一物理区域,为后续的识别算法提供了坚实的特征检测基础,在计算机视觉领域有广阔的应用前景。该方法是基于尺度空间理论,这个理论已经在自动尺度选择中有较成熟的应用。提出了利用深度信息估计出3D物体模型的算法,并生成相应的仿射不变的高斯尺度空间,并给出从3D到2D的投射变换的高精度估计方法,以补偿投射变换造成的扭曲形变。因此对特征检测的可靠性将有明显的提高。为了评估本算法的鲁棒性,进行了不同视角的真实图片与合成图片的实验,并与其     

基于三角网下的仿射不变几何约束的图像匹配算法研究

针对当前图像匹配方法在进行图像匹配时,主要通过度量特征向量之间的距离来完成图像匹配,导致算法鲁棒性差、误配率较高及效率较低等不足,本文提出了基于三角网下的仿射不变几何约束的图像匹配算法。首先,在尺度空间上通过Hessian矩阵对特征点进行检测,利用子块的三角特征与对角特征对SUR机制进行改进,用以生成新的特征描述子,并通过定义阀值评估策略,对图像特征点匹配,从而生成了初始匹配点;然后,引入 三角网,对初始匹配点进行聚类,以获取匹配三角形,将三角形以外的无效特征点剔除。最后,引入仿射不变几何约束,对匹配三角形进行细化,通过细化的匹配三角形获取最终的匹配特征点,有效剔除误配点,进一步提高配准精度。仿真结果表明,与当前图像匹配算法相比,本文算法具有更好的鲁棒性,且其具有更佳的匹配精度与效率,有效剔除了误配点。