图像主轴角的旋转匹配计算方法

在图像匹配中，经常需要计算目标的旋转角度，主轴角计算方法对光照变化很敏感，匹配精度较低，提出了一种重采样和最小距离匹配相结合的主轴角算法，该处能在较短时间内确定目标的旋转角度，比主轴角计算的精度有较大提高。计算机仿真和实拍图像匹配的实验表明，该算法是十分有效的。     

平移，旋转和范围改变的点匹配快速算法

本文主要讨论使用一种点模式匹配方法进行立体匹配，并给出其改进算法。     

一种基于非标定摄像机仿射变换的块匹配算法

针对"平行视"多视视频,提出了一种基于非标定摄像机仿射变换的块匹配算法.该算法采用Harris算子提取角点,依据特征跟踪法和线段仿射性质作为同名点匹配准则,利用同名点信息构造摄像机仿射变换矩阵,在此基础上实现视问块匹配.实验结果表明,该算法可有效提高"平行视"块匹配效果.     

一种融合局部与全局信息的距离约束角点匹配算法

图像匹配技术在众多领域中都有重要应用。针对既有平移又有旋转的情形,提出了基于距离约束的角点匹配方法,首先利用角点值进行匹配点对的粗选,然后利用局部角点间距离及全局角点间距离结合进行匹配点对的选取。实验结果表明,该方法可以实现无误匹配的匹配点对,准确性高,对噪声具有一定鲁棒性,且由于匹配过程中主要利用两点间的距离关系,而不需要进行复杂的运算,所以匹配时间大幅减少,在现实中有一定的实用性。     

基于Harris角点检测的图像旋转测量

为实现图像处理的高效性,避免由摄像机旋转而引起的图像旋转为采集的图像产生影响,以至于使后续的图像处理算法失效,提出了一种以Harris角点为核心的,基于Harris角点检测的图像旋转测蟹的方法;首先对原始图像进行Harris角点检测,然后对其进行角点匹配;最后,在各自图像内部进行角点连线,并与对应角点连线的斜率作比较,判断斜率变化,从而判断图像是否发生旋转.     

一种基于兴趣点匹配的图像拼接方法

针对基于图像特征点的配准方法中对应特征对难以准确提取的问题,提出一种基于兴趣点匹配的图像自动拼接方法。该方法首先利用Harris角检测器提取两幅图像中的兴趣点,并在此基础上采用比较最大值法提取出对应兴趣点特征对,最后利用这些匹配特征对来实现图像的拼接。实验结果表明,这种方法能有效地去除伪匹配特征对的干扰,同时降低了误匹配的概率,对于全景图的拼接具有良好的效果。     

一种高效的SAR图像角点提取算法

INS/SAR组合导航系统对合成孔径雷达(SAR)图像的角点提取精度、实时性、可靠性要求较高,为此,提出一种结合曲率尺度空间与Harris算子的角点提取算法,用局部Harris算子定位用曲率尺度空间法提取出的角点。实验结果表明,该算法实时性好、精度高、冗余度低。     

基于角点特征值和视差梯度约束的角点匹配

提出了一种基于角点特征值的角点匹配快速算法,并利用视差梯度约束去除误匹配的结果。首先把提取角点时得到的角点特征值作为匹配的一个约束,提高了基于灰度相关的角点粗匹配运算的速度,然后利用视差梯度约束对粗匹配的结果进行求精运算,去除误匹配的结果,实验结果证明了该算法的有效性。     

启发策略的确定性退火技术非刚性点匹配算法

点匹配问题一直是计算机视觉、模式识别、医学临床诊断领域的一项重要的基础性工作。提出了带启发策略的确定性退火技术非刚性点匹配算法。该算法引入软匹配思想将匹配矩阵系数连续化,为加快匹配矩阵的收敛速度,给出了带启发策略的对应启发矩阵,构造了一种适合确定性退火算法求解的新能量函数公式。实验结果表明,该算法可以得到稳定的解,并且可以避免出格点等噪音的干扰,具有稳定性,有效性,和较高的效率。     

基于边缘相关性距离约束的角点匹配

在双目视觉技术中,针对物体边缘上的角点误匹配问题,提出了一种基于边缘相关性距离约束的角点匹配算法。该算法首先采用基于边缘的角点检测子来提取角点,通过极线约束和角点特征值约束来确定候选角点匹配集合;然后提出“边缘相关性”约束,基于角点距离构造候选角点对的贡献值来对其进行精匹配;最后构造角点特征向量,通过子向量匹配方法进一步对角点匹配对进行检验。实验结果表明,该匹配算法正确率高,有效地解决了边缘角点对的误匹配问题,非常适用于基于边缘曲线的双目视觉应用。     

一种采用二次式作为阻尼项的点匹配算法

为了对基于确定性退火技术的点匹配算法进行改进，提出了一种采用二次式作为阻尼项的算法。现有的此类算法为了控制匹配矩阵P的熵，通常都在目标函数中加入∑Pi,jlogpi,j形式的阻尼项，其缺点是需要用迭代逼近的方法使P满足双向的行列约束，由于这会因引起误差的积累而降低算法的整体匹配精度，为此，提出采用∑Pi,j(Pi,j-1)形式的阻尼项，这样目标函数就成为P的正定二次式，因而就可以在退火的每一步求解出使目标函数最小的Po仿真结果表明，该新算法在精确性和稳定性方面都有显著的改善。     

一种基于特征点匹配的图像快速拼接方法

实现一种基于特征点匹配的图像拼接方法。将处理流程细分为特征点检测、特征点匹配、无效匹配的剔除、透视成像四个阶段,并针对四个阶段选取了适合的经典算法予以实现。其中对具有左右关系且基本平行的图像特征点匹配算法进行了改进,在匹配效果基本不变的前提下,缩短了匹配时间。经实验证明,算法改进后效率提升明显。     

一种基于角点检测的图像密集匹配算法

提出了一种鲁棒的图像自动立体匹配算法.利用Sobel算子对图像中的像素点进行检测,若是边缘点,则使用最小同值分割吸收核方法判断该点是否为角点.在两幅待匹配的图像间计算角点的梯度大小、梯度方向及灰度等的相似度,去除无法对应的角点,建立起待匹配图像中角点的对应关系,并计算基础矩阵.对基础矩阵进行迭代,去除误配点,计算出较精确的基础矩阵.由对极几何约束,采用动态规划方法,寻找左右两幅图像在对应极线上的所有像素点之间的对应,从而建立起两幅图像间像素点的密集匹配对应关系.试验结果表明,算法效果满意.     

一种改进的快速特征点信息匹配算法

特征点匹配在图像检索、模式识别等技术中起着重要的作用。已有的匹配算法如SIFT（DoG）,Harris以及SUSAN算法,虽然可以提取高质量的特征点,但是这些算法本身计算量比较大,难以将其运用于实时性要求比较高的应用中。提出一种改进的快速特征点匹配算法,采用Guoshen Yu和Jean-Michel Morel提出的全仿射方法,对局部特征点进行仿射变换并模拟摄像机成像原理,根据摄像机成像的仿射关系提取特征点并使用随机蕨类算法训练分类器,使用RANSAC去除坏点,实现对特征点的快速准确匹配。实验结果表明该方法提高了图像的匹配点数,同时降低了匹配时间。     

基于角点特征的自动图像配准

针对图像配准对时间和精度的需求,本文提出适用于角点特征的配准算法：提取两幅图像的角点构造三角形,计算三角形的角度,寻找两幅图像对应的相似三角形,用三角形的顶点坐标求得仿射变换系数,参考图像进行仿射变换,与待配准图像比较相似性,最大相似性对应的变换图像为配准结果。引入强角点和Harris角点对该算法进行验证。与Fourier-Mellin和基于RANSAC寻找匹配点对角点配准算法比较,实验数据表明该算法的快速准确,并具有一定的抗噪性。     

一种基于Harris和图像对比度的角点检测方法

目前各种角点检测方法,对于不同的图像需要选取不同的阈值才能保证结果的精确度,而阈值的选取是比较麻烦的.此处提出了一种通用的方法,通过适当改变图像直方图增大图像对比度,再使用固定阈值的Harris方法对图像中的角点进行提取.该方法解决了阈值选取困难的问题,实验结果表明该方法有效提高了结果的精度,在很多场合比较适合.     

一种改进的快速图像拼接方法

为了提高图像拼接的速度,提出了一种快速的图像拼接方法.首先在SUSAN角点检测算法检测出图像角点的基础上,采用图像分块和邻近角点剔除的方法来保证图像角点分布均匀并且避免出现角点聚簇现象,利于提高拼接的精度.其次,利用灰度相关性进行特征角点的匹配并消除伪匹配.然后采用改进的RANSAC算法快速地估计变换矩阵,该算法中采用预检测的方法快速抛弃那些不是候选模型的临时模型,加快了算法的速度.最后进行颜色融合,生成无缝拼接图像.实验结果表明,该方法在得到较高精度的情况下,大大减少了运算量,提高了图像拼接的速度.     

角点匹配与均值漂移相结合实现目标跟踪

提出一种改进的目标跟踪方法。将归一化系数的角点互匹配与Mean-shift相结合。当目标的一部分特征出现在背景中或目标与背景相似度较高时,Mean-shift算法的跟踪性能将会下降。针对这一问题,提出采用颜色特征和角点特征相融合,用归一化的角点互匹配算法,能有效降低误匹配率,提高匹配精度。在某些帧中,由于噪声、遮挡等干扰时,发生角点0匹配,这时采用Mean-shift算法作为临时替代跟踪器,并更新目标模版,以适应目标的旋转运动,当有角点恢复匹配时,重新进行角点匹配跟踪。     

基于角点检测与SIFT算法的快速匹配方法

针对复杂图像的快速匹配问题,提出一种新的基于Shi-Tomasi角点检测与SIFT算法的高精度快速匹配方法。该方法充分利用图像的角点特征、灰度和位置信息,采用SIFT算法中的特征描述方法进行图像特征描述,并用Ransac算法对匹配点进行校正和消除错误匹配,提高计算速度和可靠性。实验结果验证了该算法对于存在较大色差、形变等图像可实现精确快速匹配,其精度和速度都优于传统的匹配算法。     

一种图像高精度匹配方法

针对传统图像匹配精度不高、速度较慢的情况,为提高速度抑制噪声,提出一种高精度图像匹配方法。利用Harris提取角点进行灰度相关匹配找到粗匹配点,再利用Ransac算法得到较高精度匹配点,根据得到的匹配点求出基础矩阵。最后利用基础矩阵得到极线约束对Ransac得到的较高精度匹配点去除极少数误匹配点解算基础矩阵,利用第二次解算的基础矩阵求出高精度极线方程,并利用极线方程对Harris角点进行一维搜索匹配,找到高精度匹配点,进行仿真实验。反复实验表明,方法精度高、速度快,是一种实用的高精度图像匹配方法。