基于邻域信息的红外与可见光图像互信息配准

基于互信息的配准方法以其自动化程度高和配准精度高的优点被广泛应用在图像配准中。文中针对红外与可见光图像配准中采用传统的互信息,仅考虑图像像素的灰度信息,而没有考虑图像像素之间空间信息的情况,提出了一种基于邻域信息的互信息配准算法。该算法充分利用图像像素之间的空间信息,在互信息计算中图像中每个像素的灰度值由其邻域像素的灰度值按照距离分配不同的权值共同得到。实验表明该算法使配准曲线更加光滑,配准过程中极值更易找出,提高了配准精度和抗噪能力。     

基于邻域信息的红外与可见光图像互信息配准

基于互信息的配准方法以其自动化程度高和配准精度高的优点被广泛应用在图像配准中.文中针对红外与可见光图像配准中采用传统的互信息,仅考虑图像像素的灰度信息,而没有考虑图像像素之间空间信息的情况,提出了一种基于邻域信息的互信息配准算法.该算法充分利用图像像素之间的空间信息,在互信息计算中图像中每个像素的灰度值由其邻域像素的灰度值按照距离分配不同的权值共同得到.实验表明该算法使配准曲线更加光滑,配准过程中极值更易找出,提高了配准精度和抗噪能力.     

图像精准匹配技术的研究与仿真

研究图像的精准匹配问题.以医学解剖点的图象精确匹配技术为例,提出了一种基于高斯金字塔像素匹配算法的医学图像解剖点精准匹配技术.人体组织中的成分复杂,信息融合后,差异组织会形成像素灰度误差,传统的匹配算法偏重于空间映射,一旦像素点灰度信息存在误差,在进行空间映射过程中,会造成映射转换误差增大,后期配准位置点偏移.为了避免上述缺陷,利用尺度不变特征转换方法,提取医学图像中的解剖点特征.对图像解剖点特征进行误差补偿,最大程度修补位置偏差.利用高斯金字塔像素匹配方法,实现医学图像解剖点的匹配.实验结果表明,利用改进算法进行医学图像解剖点匹配,能够提高匹配的准确性,从而为手术提供准确的依据.     

融合SIFT特征的熵图估计医学图像非刚性配准

配准准确性是医学图像配准算法的一项重要指标,像素灰度是目前图像配准中广泛使用的特征,但是灰度特征来源单一,而且忽略空间信息,在一些情况下容易产生误配。针对这个问题,本文提出一种融合SIFT特征的熵图估计医学图像非刚性配准算法。该算法首先使用基于互信息的刚性配准算法对两幅待配准图像进行粗配;然后,在采样点上提取像素灰度和SIFT高维特征,并在此基础上构造k-最邻近图(kNNG);最后,使用k-最邻近图来估计α互信息(αMI)。实验结果表明:和传统的基于互信息和像素灰度的刚性配准算法,基于熵图估计和单一像素灰度特征的非刚性配准算法相比,本文提出的算法具有更高的配准准确性。     

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。     

改进的实时图像拼接方法

通过分析比较不同配准算法的优缺点,提出一种基于灰度相关与特征点相结合的实时图像拼接方法。算法首先对图像进行自适应缩放,调整为需要输出的大小,然后用基于特征边缘点方法确定配准方向和大体位置,用基于灰度相关方法准确定位最佳匹配点,最后通过加权平均法对重叠图像进行融合处理。实验结果表明,算法能准确地对图像进行拼接,具有实时性和高效性。     

模糊互信息配准准则的理论和实验分析

从图像配准的模糊性出发,在图像配准中考虑图像的灰度相关性,结合了图像的空间信息。在配准准则中引入图像配准的灰度相关系数,提出了基于模糊互信息的配准准则。实验表明,模糊互信息函数比互信息函数具有更少的局部极值点和更好的优化特性。     

改进迭代最近点法的亚像素级零件图像配准

针对模板匹配方法用于非结构化环境下的杂乱零件识别与定位精度低的问题,提出了亚像素级的配准算法.首先提出亚像素级的配准问题可视为计算模板图像与待配准图像的边缘点集的最优几何变换;然后提出了改进迭代最近点法来估计几何变换,包括使用动态邻域搜索策略快速搜索匹配点、利用匹配点的方向一致性约束和距离约束来移除误匹配点、用光照不变的点到曲线的距离来构造误差度量函数,再用线性最小二乘法给出误差函数的封闭解;最后使用自制零件和MPEG-7 shape B数据集进行实验,结果表明该算法配准正确率、实时性和精度均明显优于传统算法,能够满足非结构化环境下的杂乱零件亚像素配准精度和鲁棒性要求.     

基于边缘特征的亚像素相关匹配跟踪算法

基于像素灰度和基于特征的相关匹配跟踪算法跟踪精度不高,只能匹配定位到整像素点。针对该问题,采用相关函数拟合极值法对整像素匹配点进行亚像素定位。设计一种新的实验方法和基于边缘特征的相关匹配跟踪算法。实验结果表明,该算法可以达到0.1级别的亚像素定位精度。     

初-精结合和多特征融合的多源遥感图像配准

针对多源遥感图像纹理、灰度差异大、数据量大的特点,以及传统配准方法易出现误匹配和低效率问题,提出一种初-精结合的多源遥感图像自动配准方法。首先用最大极值区域检测图像的有效特征区域,再依据区域灰度均方差确定每块区域特征点数量,采用Harris提取区域特征角点。MSER-Harris方法保证了角点分布的均匀和非冗余性。其次对图像作Contourlet变换,在分解的低频子带上构造多尺度高斯组合矩对图像进行初匹配,在高频子带上构造表征图像纹理特征的多方向灰度共生矩完成精匹配,实现同名特征点的配准。对多源遥感图像进行配准实验的结果表明,该方法在特征点数量、分布均匀度及配准精度等方面具有显著的优势,可为后期研究提供参考。     

三维点云配准中的计算智能方法综述

随着三维数据采集设备的成熟与普及,由激光雷达、结构光传感器和立体相机等设备采集的点云数据引起了广泛关注,并以此研究出针对点云的配准、分类、分割和跟踪等算法,推动了点云相关研究领域的科研进展。点云配准是点云数据处理的一个重要研究方向,旨在找到一个刚性变换运动参数,使得运动参数作用于源点云后能够与参考点云对齐。传统的点云配准方法大多存在着对初始位姿、异常值敏感等问题,而计算智能方法在处理点云配准问题,例如去除孤立点或求解矩阵时可以有效解决这些问题,并且能够适用于点云重叠程度低的情况,表现出较强的鲁棒性和泛化性。这种方法不依赖于问题本身特性,也不需要建立精确的模型,只需要求出替代真值解的近似解,大幅简化了计算量。在计算智能中,深度学习因其强大的学习能力越来越多地应用于点云配准问题,同时由于进化计算的强大全局搜索能力以及模糊逻辑对不确定性的良好适应能力,许多研究也将这两种方法应用于配准问题。本文对点云配准领域中的计算智能方法进行全面讨论,分别从基于深度学习、进化计算和模糊逻辑的点云配准方法这 3 个方面展开论述,同时对传统的点云配准方法进行简要介绍,并对各种方法的优缺点进行了详细讨论,旨在以更全面、清晰的方式总结点云配准问题上的相关研究。     

基于模糊形状上下文与局部向量相似性约束的配准算法

非刚性点集配准研究是模式识别领域的一项重要基础研究.本文在当前流行的非刚性点集配准算法的基础上提出了两个主要贡献:1)模糊形状上下文(Fuzzy shape context, FSC)特征;2)基于局部向量特征的局部空间向量相似性约束项.本文首先进行基于特征互补的对应关系评估,在这一步骤中定义了模糊形状上下文特征,然后基于模糊形状上下文特征差异和全局特征差异设计了特征互补的高斯混合模型.其次,进行基于约束互补的空间变化更新.在这一步骤中,定义了局部向量特征,建立了局部空间向量相似性约束项.本文算法通过使用特征互补的高斯混合模型进行对应关系评估,并将配准问题转化为可以用期望最大化(Expectation maximization, EM)算法解决的参数优化问题,通过创建包含局部空间向量相似性约束项的能量方程优化了空间变换更新.本文首先测试了模糊形状上下文特征的检索率,然后采用公开数据集测试了算法在点集配准与图像配准的性能.在与当前流行的十种算法的对比实验中,本文算法均给出了精确的配准结果,并在大部分实验中精度超过了当前流行算法.     

基于特征点互信息的医学图像配准

针对互信息配准方法耗时较长、容易陷入极值的缺陷,提出采用ReNet的方法提取图像边缘,构建边缘特征点互信息能量函数,通过改进Powell算法对配准进行优化。通过实验,基于特征点互信息的医学图像配准方法与结构互信息相比,在配准准确率大致相同的情况下,配准所需时间大幅降低。     

基于双特征高斯混合模型和双约束空间变换的配准

非刚性点集配准是当前多个领域中的一项重要研究问题.现今流行的配准算法通常使用基于单一特征的对应关系评估与包含单一约束条件的空间变换更新,而单特征与单约束限制了其配准效果与应用领域.提出了一种基于双特征高斯混合模型和双约束空间变换的非刚性点集配准算法.首先定义了双特征描述子,并用全局特征和局部特征构建它;随后,基于此描述子将高斯混合模型改进为双特征高斯混合模型.定义了局部结构约束项,并与全局结构约束项分别维护点集在进行空间变换更新时的局部与全局结构稳定.通过交替进行基于双特征高斯混合模型评估点集之间的对应关系和基于高斯径向基函数（Gaussian radial basis function）更新双约束空间变换,使该算法准确地完成非刚性点集配准.通过人造点集配准、CMU序列图像配准、遥感图像配准、IMM人脸数据配准和真实图像特征点配准对该算法进行了性能测试,同时也与当前流行的8种算法进行了性能比较实验,该算法展现出了卓越的非刚性配准性能,并在大部分实验中超越了当前的相关算法.     

自适应特征点检测的可见-红外图像配准

目的 针对可见—红外图像之间配准点的数量不足、分布严重不均匀以及配准点之间的错配率高这3个核心问题,提出一种基于自适应特征点检测的可见—红外图像配准方法。方法 本文提出的自适应特征点检测方法,以Harris corner作为基本特征点;以特征点数目与空间分布为检测目标,从而自动地估计合适不同空间位置的特征点的检测阈值。在特征点对匹配中,将梯度方向与互信息相融合有效地添加了相似性函数的空间位置信息。结果 自适应Harris corner检测方法能够有效地提供空间分布均匀、数量充足的特征点。而梯度方向与互信息相融合的相似性匹配函数提高特征点的匹配率20%,降低配准误差50%。结论 本文提出的多传感器图像配准方法能够快速、准确地实现可见光图像与红外图像之间的配准,在CCD-IR图像融合领域具有很好的实用价值。     

基于ELM的局部空间信息的模糊C均值聚类图像分割算法

极限学习机（Extreme learning machine, ELM）作为一种新技术具有在回归和分类中良好的泛化性能。局部空间信息的模糊C均值算法(Weighted fuzzy local information C-means, WFLICM)用邻域像素点的空间信息标记中心点的影响因子,增强了模糊C均值聚类算法的去噪声能力。基于极限学习机理论,对WFLICM进行改进优化,提出了基于ELM的局部空间信息的模糊C均值聚类图像分割算法(New kernel weighted fuzzy local information C-means based on ELM,ELM-NKWFLICM)。该方法基于ELM特征映射技术,将原始数据通过ELM特征映射技术映射到高维ELM隐空间中,再用改进的新核局部空间信息的模糊C均值聚类图像分割算法(New kernel weighted fuzzy local information C-means,NKWFLICM)进行聚类。 实验结果表明 ELM-NKWFLICM算法具有比WFLICM算法更强的去噪声能力,且很好地保留了原图像的细节,算法在处理复杂非线性数据时更高效, 同时克服了模糊聚类算法对模糊指数的敏感性问题。     

基于SIFT点特征和Canny边缘特征匹配的多源遥感影像配准研究

针对多源遥感影像的配准,提出了一种结合SIFT点特征和Canny边缘特征匹配的配准算法。该算法首先采用SIF7算法提取点特征并进行影像粗配准,在获得初始仿射变换参数后,采用Canny算法提取边缘特征,并采用成本函数法进行边缘点匹配,经粗差滤除后得到有效的匹配特征点对,随之进行影像精配准。该算法结合了SIFT、算法和Canny算法的优点,解决了多源遥感影像因辐射差异和几何差异造成的难以正确配准的问题。实验结果表明,算法具有较强的鲁棒性,并取得了较好的配准精度。     

点到邻域重心距离特征的点云拼接

不规则曲面的拼接是3维拼接中的难点,提出采用不规则曲面点与其一邻域点重心间的距离作为刚性特征对点云进行粗配准,使用迭代最邻近点算法和刚性特征进行精配准。实验结果表明,刚性特征迭代最邻近点算法的误差收敛速度显著提高。当点云为重心距离大于10的差姿态时,该算法与不进行粗配准的迭代最邻近点算法相比,收敛速度和拼接质量都有较大提高。     

基于3D-Harris 与FPFH 改进的3D-NDT 配准算法

针对传统点云配准三维正态分布变换(3D-NDT)、迭代最近点(ICP)算法在未给定初 始配准估计的情况下配准效果不佳、配准时间长、误差较大的缺陷,提出了精准且相对高效的 点云匹配算法。首先,运用3D-Harris 算法识别每一幅点云的关键点,并以此为基本点建立局 部参考框架,计算快速点特征直方图(FPFH)描述子;之后,使用最小中值法(LMeds)中的对应 估计算法排除不准确的点对应关系,得到含有对应三维特征关系的特征点对。计算粗配准所需 的变换矩阵,完成初步匹配。随后,根据3D-NDT 算法将点云数据空间体素化,运用概率分布 函数完成最终的点云进行精确地匹配。使用改进配准将3 组分别从网络下载的较少噪声、大规 模与Kinect V2.0 采集的较多噪声、大规模的2 组重叠度不同的点云数据匹配到同一个空间参考 框架中,并通过精度分析对比经典3D-NDT,ICP 等算法。实验结果证明,该算法在迭代次数 较低时,可使室内场景点云数据完成精度较高的配准且受噪声影响较小,但如何将算法的复杂 度适当降低,缩短配准时间需要更进一步的研究。     

Neighboring constraint-based pairwise point cloud registration algorithm

Three-dimensional point cloud registration is important in reverse engineering. In this paper, we propose a registration method for large-scale 3D point clouds, which is based on neighborhood constraints of geometrical features. The method consists of initial and exact registration steps.In the process of initial registration, we define a new functon that measures feature similarity by calculating the distance function, and in the process of exact registration, we introduce the angle information that improve the accuracy of iterative closest point algorithm. Compared with the traditional feature-based and iterative closest point algorithms, our method significantly reduced the registration time by 11.9 % and has only 1 % of the registration error of the traditional feature-based algorithm. The proposed algorithm can be used to create efficient 3D models for virtual plant reconstruction and computer-aided design, and the registration results can provide a reference for virtual plant reconstruction and growth.