远程小目标图像特征精准匹配方法研究与仿真

研究远程图像中小目标区域的准确匹配问题.远程采集的图像中目标过小,像素与周围环境排列过于紧密,背景灰度值与目标灰度值非常相近,像素特征很难通过阀值与背景完整分割.传统的灰度图像小目标匹配的方法,当图像中的像素特征高度重合的情况下,会导致图像特征局部模糊,特征匹配的准确性不高.提出一种低频像素排序和高斯金字塔分解的弱小目标匹配方法,通过提取出图像中的像素频率信息,并对其进行排序,利用高斯金字塔分解结果将图像中的目标细化,并依此完成准确匹配.实验证明,改进的匹配方法能够准确匹配图像小目标区域,可为图像匹配优化提供参考.     

基于SOFM的灰度图像彩色化算法

提出一种基于自组织特征映射(SOFM)的灰度图像彩色化算法。将彩色样本图像和灰度图像均转换到lαβ颜色空间,在 通道构造像素邻域的多维特征向量,将彩色样本图像的像素亮度特征向量作为网络的输入进行训练,利用SOFM的自组织特性建立像素特征向量与彩色信息值的对应关系,应用训练好的网络实现灰度图像的彩色化。实验结果表明,该算法的彩色化效果较已有算法有较大改善。     

基于SIFT算法的红外图像拼接方法改进

针对红外图像拼接误匹配点过多、耗时过长等问题, 对基于SIFT算法的红外图像拼接方法进行改进. 首先利用高斯差分金字塔建立尺度空间, 然后利用FAST算法对高斯差分金字塔图像进行特征点提取, 提高了算法运行效率, 随后以特征向量的欧式距离作为特征点的相似性度量, 从而找到初始匹配点对, 并利用结合了方向一致性判断的Ransac算法剔除错误匹配点对, 最后用加权平衡算法实现图像的快速融合. 通过红外人物图像拼接实验, 证明改进后的算法在旋转、缩放、光照等情况下更稳定、效率更高, 有较大的理论和应用价值.     

一种图像特征点匹配算法——Haar-Gaussian&NICD算法

提出了一种基于哈尔小波分解变换和高斯尺度空间的图像特征点匹配算法.首先利用哈尔小波变换对基础图像进行3层行列分解,然后利用高斯函数卷积核对这些分解图像,进行尺度变换.提出了一个小波高斯金字塔塔林的概念,即对通过小波变换产生的多张不同分辨率的基础图像分别进行高斯尺度变换进而产生一个个独立的高斯金字塔,进而产生独立的高斯差分金字塔林,完成特征点检测.再引进规范化强对比度描述子对特征点进行描述.结果表明:Haar-Gaussia&NICD算法的效果和SIFT算法相当,特征点数量优于SIFT算法,在局部特征匹配方面要更有优势;而且和NICD描述子搭配使用,在运行速度方面要比SIFT算法更快.     

基于自适应空间邻域信息高斯混合模型的图像分割

针对高斯混合模型用于图像分割时仅利用了像素的灰度信息,而忽视空间位置信息,导致在噪声区域和边界处有误分割现象,提出一种自适应空间邻域信息高斯混合模型的图像分割法.该方法定义了一个能够有力抑制噪声点、很好保留边界特性的自适应空间邻域信息函数.在此基础上,设计了每个像素由某个类生成的邻域信息加权概率,并证明了该加权概率满足归一性和空间连续性2个准则;最后,利用EM优化算法给出模型参数E步和M步迭代求解公式.通过人工合成图像与真实图像的实验表明,该方法具有满意的分割效果.     

基于特征匹配的单目相机姿态解算

本文采用了一种基于AKAZE特征检测和PnP算法的单目视觉测量方法对相机的相对姿态进行解算,用于快速准确地确定空间中两个目标间的位姿关系.采集合作目标的模板图像,提取附加到合作目标上的4个特征点的像素坐标,利用AKAZE关键点对模板图像和待测图像进行匹配并计算映射矩阵,通过映射矩阵得到4个特征点在待测图像中的像素坐标,然后结合合作目标的尺寸信息求解基于4个共面特征点的PnP问题,解算相机与合作目标的相对位置.实验分析表明该方法计算的实时图像相机位姿与真实结果接近,验证了本文方法的有效性.     

基于多尺度Retinex的医学CT图像增强算法

为增强医学CT图像中的暗区信息和图像对比度,扩大灰度分布范围,提高医学CT图像的视觉效果,确保图像边缘轮廓信息完整,提出了基于多尺度Retinex的医学CT图像增强算法.获得准确的光照分布,将图像转换到RGB彩色空间,提取医学CT图像暗区信息,获取医学CT暗区图像,线性平滑处理医学CT暗区图像,得到用于医学CT暗区图像增强的光照强度分布图.将整数格式的像素值转换为浮点数,融合加权求和与单尺度Retinex模型,得到多尺度Retinex算法处理的医学CT图像,计算医学CT图像像素间的明暗关系,将多尺度Retinex算法色度空间线性映射到图像像素空间,转换后得到医学CT增强图像,实现医学CT图像增强算法.实验结果表明,所提算法的灰度分布范围较大,视觉效果较好,能够有效保留图像边缘轮廓信息,提高暗区图像的信息量和对比度.     

图像边缘轮廓自适应阈值的角点检测算法

目的 基于边缘轮廓的角点检测算法的检测性能虽然相对比较稳定,但是它对边缘轮廓的局部变化敏感,并且只是给予一个经验门限去提取角点,为此提出一种对局部变化和噪声稳健的基于图像边缘轮廓自适应阈值的角点检测算法。方法 该算法利用各向异性高斯方向导数滤波器对不同边缘和角点模型进行表征,提取表征边缘和角点的灰度及几何变化的不变属性,并通过正则化计算得到区别边缘和角点的自适应阈值。该算法首先利用Canny边缘检测器检测输入图像的边缘映射并从边缘映射中提取出边缘轮廓;然后利用各向异性高斯方向导数滤波器对所提取出的边缘曲线进行滤波平滑,计算出每一像素点的响应并与自适应阈值作比较,把响应大于阈值的点作为候选角点;最后,对候选角点进行非极大值抑制得到最终角点集。结果 提出的算法分别与Harris算法,He & Yung算法,以及ANDDs算法在仿射变换和高斯噪声的实验环境下进行比较,其性能指标为平均重复率与定位误差;并且对每个角点检测算法在无噪声和有噪声的情况下进行了角点匹配比较。4种算法的两个指标的平均排名为Harris 3.375,He &Yung 2.625,ANDDs 2.625,本文算法 1.375。本文算法在仿射变换以及高斯噪声的情况下有着良好的平均重复率和定位误差,优于其他3种算法。匹配实验中的错误点以及丢失点也少于其他3种算法。结论 图像的特征检测在计算机视觉领域是一个重要的课题,在许多视觉系统中,检测特征往往作为复杂计算的第1步。因此,这一步的可靠性会极大地影响着视觉系统整体的结果。而角点作为图像的重要特征,对其研究具有重大意义。本文算法不同于传统的基于边缘的角点检测器仅利用边缘轮廓的信息,还利用到图像边缘像素的灰度信息。而且,本文算法还采用一个自适应全局阈值,避免了角点的误判。正则化的灰度变化有效减少了噪声或者光照对检测性能的影响。通过角点匹配实验、仿射变换实验以及高斯噪声实验,可以看出,本文的角点检测器拥有良好的检测性能,并且对噪声具有稳健性。     

基于金字塔分解的自动色彩均衡算法

针对传统自动色彩均衡算法运算速度慢、暗区细节不明显的缺点,提出一种基于金字塔分解的自动色彩均衡算法。使用对数运算将暗区图像映射到更适合人眼观察的颜色空间,利用高斯卷积核构造图像金字塔图像序列,从金字塔最顶层图像开始进行自动色彩均衡,并对增强结果逐层进行细化,直至金字塔最底层得到最终的增强图像,细化时只需要少量像素间的比较操作,因而大幅降低了运算复杂度。实验结果表明,该算法能有效改善图像质量,保持图像细节信息,并且计算复杂度较低,便于实际应用。     

基于建立序列图像间映射关系的匹配算法

提出一种基于图像间映射关系的匹配算法，该算法利用目标的运动函数映射前后两幅图像的特征点，映射误差函数最小的对应即为正确的匹配。引进特征点接关系的约束，从而大大减少了候选匹配点的构造空间。实验结果表明，该算法具有良好的鲁棒性和实时性