基于双匹配配准算法的多重复纹理图像拼接

针对目前图像配准算法对于多重复纹理图像配准位置偏差的问题,提出图像内自匹配与图像间互匹配相结合的双匹配配准(Double-match image registration,DMIR)算法.首先在对待匹配图像提取尺度不变特征转换(Scale-invariant feature transform,SIFT)特征之后,通过...     

纹理抑制的光照不均图像配准算法研究

针对KAZE算法对光照不均图像特征点提取效果不佳的问题,提出了一种基于纹理抑制改进后的KAZE图像配准算法。改进算法的主要流程如下：将纹理抑制算法嵌入到非线性扩散滤波方程中,以实现对图像更好的光照估计;对光照估计后图像的亮度分量进行自适应Gamma校正;利用改进的KAZE算法对图像进行配准。实验结果表明,改进算法相较于SIFT、SURF、KAZE算法的平均正确匹配率分别提高了48.5个百分点、22.1个百分点和20.1个百分点,查全率提高了26个百分点、5个百分点和5.5个百分点,所提算法能有效地降低误匹配,并且广泛地应用到多种处理场景中。     

改进仿射尺度不变特征变换算法的图像配准

为了更好地处理匹配效率、重复纹理匹配和仿射不变性匹配等问题,对完全仿射不变特征变换（ASIFT）算法进行两方面改进。匹配框架中特征提取的改进提高了ASIFT算法的匹配效率;利用优化随机采样算法（ORSA）结合以单应矩阵为几何线性约束模型的随机抽样一致性（RANSAC）改进匹配算法,提高了匹配精度和重复纹理结构的适应能力。实验结果表明,提出的改进算法能较好地匹配高度相似纹理,计算量小,计算速度快且精度高。     

图像配准技术研究

图像配准技术是图像拼接技术最关键的步骤,图像配准的好坏直接决定了图像拼接结果的优劣。对图像配准工作进行了总结,介绍了基于区域的图像配准和基于特征的图像配准方法,并分析了各个方法的优缺点,同时指出了现有图像配准算法存在的问题和发展的方向。     

基于纹理特征的图像自动配准方法研究

精确的图像配准是超分辨率重建取得成功的前提。为此,针对大多数图像配准算法存在精度低、抗噪声能力差等缺点,提出一种基于纹理特征的图像自动配准方法。首先用Canny边缘检测算子提取裂缝纹理图像,然后用Photoshop图层工具,通过对待配准帧关于参考帧作变换,得到空间几何变换参数,最后用Matlab编程实现待配准帧的缩放、旋转和平移。对配准后的酸蚀岩板裂缝图像,进行超分辨率重建,结果证明,该方法具有抗噪声能力强、配准精度高、易于编程实现等优点,取得了较好的效果。     

基于改进CNN-RANSAC的水下图像特征配准方法

水对光的吸收和散射效应降低了水下图像的质量,水下图像的可视范围受到限制,复杂水下场景下的鲁棒性和精确性问题使得特征提取与匹配成为一项具有挑战性的任务。为了更好地配准水下图像,提出了一种改进CNN-RANSAC的水下图像特征配准方法,首先通过基于深度卷积神经网络的水下图像增强方法对水下图像进行增强预处理,通过水下图像分类数据集迁移学习训练VGGNet-16网络框架,利用修改后的网络框架进行特征提取,生成鲁棒的多尺度特征描述符与特征点,经过特征粗匹配与动态内点选择,使用改进的RANSAC方法剔除误匹配点。在大量水下图像数据集上进行了充分的特征提取和特征匹配实验,与基于SIFT和SURF的配准方法相比,该方法能够检测到更多的特征点,实现了匹配正确率的大幅度提高。     

基于SURF算法的图像配准技术的改进

本文主要针对基于SURF算法的图像配准技术进行改进,目前在SURF算法中使用的特征点描述子没有充分考虑到特征点周围的信息,匹配正确率不高。针对这一点,改进的主要方法是在匹配的过程中增加了灰度差直方图描述子,使得匹配精度提高。图像配准算法在考虑提高配准精度的同时,也要兼顾算法的时间,通过实验证明,改进的算法可以满足以上两点。     

基于特征的高精度自动图像配准方法

提出了一种特征匹配策略,它通过建立一个以匹配矩阵为自变量的函数,将空间关系一致性和特征相似性两方面的准则有机地结合起来,使得该函数在图像的最佳配准位置达到全局最大值.这样,特征匹配问题转化为一个函数最优化问题.采用分支定界法解决了这个整数规划问题.用大量的实际图像测试了该方法,并与多种已有方法进行了比较.实验结果表明,该算法是自动的、通用稳健的,而且配准精度是最高的.     

一种快速稳健的图像配准算法

本文对图像配准问题进行了研究,提出了一种快速、稳健的基于特征点匹配的配准算法。采用小波变换建立图像金字塔,从分辨率最低的图像层开始进行特征点匹配,在次一层匹配时以上层匹配结果为粗值,在原始图像上得到初始匹配点后采用RANSAC算法稳健估计变换矩阵H;为了提高配准算法的精度,采用变换矩阵H引导两幅原始图像上的所有特征点重新进行匹配,对得到的匹配点集重新用RANSAC算法估计变换矩阵,并采用LM非线性优化算法进一步优化。通过实验分析对比,本文的算法比原算法速度更快,更稳健。     

基于特征区域的图像自动配准

为了解决基于特征的图像配准中的特征点的定义和提取问题,提出了一种以特征区域替代特征点的定义和提取方法。该方法应用Moravec算子选择候选特征区域,使用具有旋转不变性的Zernike矩表征该区域的特性;采用二级匹配策略进行特征区域的匹配,即基于自组织映射神经网络的初始匹配及精细匹配;建立图像的配准框架并实现图像的配准。实验结果表明,该方法能有效地提取图像的特征点并能准确地进行特征点的匹配,整个配准过程完全自动进行。     

基于纹理特征的自适应图像修复算法

为了解决基于样本图像修复算法对纹理部分的修复易产生误差累计的问题,提高图像修复的准确性,对优先值计算公式进行了修正,通过引入调节因子α调整填充边缘优先级顺序,使算法在修复过程中对图像纹理细节的部分较为敏感;利用图像的小波系数估计图像的平均细节能量值,自适应地调节α因子,从而实现对不同纹理程度的图像自适当地调整修复策略,并通过实验证明了算法的有效性。     

基于FREAK描述子的精确图像配准改进算法

快速视网膜特征（FREAK）描述子通过计算模式方向实现了旋转不变性,但对于旋转尺度变化较大的情况匹配性能并不理想,误匹配率较高,为此提出了一种改进的基于FREAK描述子的精确图像配准算法。首先,对原有FREAK算法添加长距离点对,设定距离阈值,只利用关键点采样模式中距离较远的点来生成角度信息。其次,对Hamming距离进行加权。对每一个关键点,在为了生成描述子选择点对时,对训练数据描述子的每一列计算均值,越接近0.5的列权值越大,改进了原来Hamming距离计算粗略的状态,使距离计算更精确。最后,使用最近邻匹配结合最近邻和次近邻的比值以及随机抽样一致（RANSAC）方法进行快速匹配和优化。实验结果表明,改进算法更适用于旋转尺度变化较大的环境及匹配性能要求较高的场合。     

基于K-means聚类和RANSAC的图像配准算法研究

针对图像配准中特征点匹配方法存在实时性不高和精度低的问题,提出了一种基于K means聚类和RANSAC的图像配准算法。该算法根据匹配点对距离和方向特征的视差约束条件,首先利用K means聚类对匹配点对进行预处理,剔除大部分错误匹配点,然后利用RANSAC进行二次优化,实现了图像的快速和精确配准。实验结果表明,该算法不仅提高了图像配准的精确度,而且提高了图像配准的速度。     

基于深度卷积特征光流的形变医学图像配准算法

光流法是一种基于光流场模型的重要而有效的形变配准算法。针对现有光流法所用特征质量不高使得配准结果不够准确的问题，将深度卷积神经网络特征和光流法相结合，提出了基于深度卷积特征光流（DCFOF）的形变医学图像配准算法。首先利用深度卷积神经网络稠密地提取图像中每个像素所在图像块的深度卷积特征，然后基于固定图像和浮动图像间的深度卷积特征差异求解光流场。通过提取图像的更为精确和鲁棒的深度学习特征，使求得的光流场更接近真实形变场，提升了配准精度。实验结果表明，所提算法能够更有效地解决形变医学图像配准问题，其配准精度优于Demons算法、尺度不变特征变换(SIFT) Flow算法以及医学图像专业配准软件Elastix。     

基于纹理特征的自然图像鉴别方法*

采用图像的纹理特性建立模型,实现了自然图像和人工图像（主要是简笔画、表格、函数图像）的鉴别。首先,计算两类图像的纹理特征,统计并分析数据找出规律;其次,选择图像的平滑度、一致性和图像熵作为代表性的纹理特征,组建数学模型;最后,利用三个特征的线性组合构成鉴别函数,并用模拟退火算法确定权值。实验表明,该方法可以很好地鉴别两类图像,识别效率较高。     

基于局部特征描述的多模态视网膜图像配准*

提出了一种基于局部特征描述的多模态视网膜图像配准方法,该方法采用圆环结构划分关键点周围区域,通过局部梯度方向直方图构造特征描述子,并对所提取的特征向量进行规范化。实验证明,该算法在多模态视网膜数据集上提高了配准的成功率,相比于经典算法提高了算法的速度和鲁棒性。     

基于改进的SURF图像配准算法研究

图像特征点匹配算法是实现目标识别的一种有效算法,目前图像特征点匹配算法耗时大,而且在匹配过程中存在伪匹配点。提出了一种改进算法：在初始特征点检测阶段,根据图像大小动态构造高斯金字塔图层,提高了算法的实时性和准确性;采用设置阈值的方法对初始特征点进行优化,减少匹配时间。在特征点匹配阶段,利用提取特征点中正确匹配点与伪匹配点坐标值差异较大这种特性,对伪匹配点进行去除,最后进行目标识别。实验结果表明,在尺寸大小为800×600的图像中,SURF算法提取特征点数225个,耗时92.499 ms, Octave 3;特征点匹配率97.50% ,耗时349.716 ms。提出的改进方法更为简单有效,减少了特征点匹配的误差,能够有效缩短图像配准时间。     

一种新的自动图像配准技术*

提出了一种自动图像配准方法.该方法首先使用模板匹配获得图像间的粗匹配点,然后利用这些粗匹配点估计图像之间的变换参数,并通过统计这些变换参数的适用情况,选取出一组最佳的图像变换参数,从而实现了图像间的自动配准.实验验证,该方法在两幅图像间存在平移、转动且重叠区域较少时,仍能准确得匹配这两幅图像.