基于PCA-SIFT特征的目标识别算法

针对尺度不变特征变换(SIFT)算法在匹配时特征向量过多,从而导致耗时过长的问题,提出PCA-SIF]算法,对目标进行匹配与识别.首先,利用SIFT算法提取出原图像中稳健的特征点以及特征向量;其次,利用PCA算法对SIFT特征向量的维数进行约减;最后利用降维后的图像与原始图像进行匹配.实验证明,与原始SIFT算法相比,该算法不仅保持了SIFT算法的鲁棒性和稳定性,同时提高了匹配效率,增强了实时性.     

一种基于图像插值的SIFT算法研究

SIFT特征是图像的局部特征,其对旋转,尺度缩放,亮度变化保持不变性,对视角变化、一定角度的仿射变换、噪声也保持一定程度的稳定性.提出了一种具有尺度不变特征转换的图像插值的SIFT算法.首先对图像进行SIFT特征提取,利用K-D树搜索并计算最近邻特征向量与次最近邻向量间的欧式距离来实现对特征点的匹配.在此基础上加入图像插值法增大采集特征点的范围,从而增加特征点匹配的对数.最后比较3种图像插值方法.实验结果表明：双线性插值法获取的特征点匹配的对数最多,但匹配时间较长.     

一种基于改进SIFT算法的图像配准方法

给出一种改进的SIFT算法,并将该算法应用到图像配准中.首先,该改进算法结合Canny算子,去除影响匹配的边缘点.然后采用最近邻与次近邻之比来对96维描述子进行匹配.最后,采用随机抽样一致性(RANSAC)方法消除误匹配.实验结果表明,与原SIFT算法相比,该算法能够有效提高图像配准确度,并减少了10%左右的运算时间.     

主成分分析法(PCA)在SIFT匹配算法中的应用

针对传统SIFT匹配算法数据量大、耗时长的问题,采用了主成分不变特征变换(PCA-SIFT)匹配算法。PCA-SIFT匹配算法将传统SIFT算法中的直方图法换做主元分析法,降低了传统SIFT特征描述符的维数,减少了数据量,提高了匹配效率。首先提取出两幅待匹配图像中的所有特征点及其特征向量,其次将提取出的特征向量采用距离比阈值筛选出匹配点对,再采用RANSAC法消除错配,最后得到精确的匹配结果。实验结果表明,PCA-SIFT算法较稳定、精确、快速。     

Contourlet-SIFT特征匹配算法

基于局部特征的匹配算法中SIFT(Scale Invariant Feature Transform)算法性能好,应用广泛,但其描述子的维度高、匹配耗时大,对局部相似区域的匹配鲁棒性差.为此,该文提出一种Contourlet-SIFT特征匹配算法.在尺度空间下提取旋转不变特征,对特征及其邻域进行 Contourlet 变换,由各方向子带分解系数的均值和标准差构建全局纹理描述向量,根据向量间欧氏距离的大小进行特征点排序,选取距离较小的前1%的特征再进行 SIFT最近邻比值匹配.实验结果表明该算法对亮度差异大、相似区域多的图像的匹配性能优于SIFT,在保证尺度、旋转、视角等不变性与SIFT相当的同时,匹配速度大为提升.     

SIFT改进算法在图像配准中的应用

文中对尺度不变特征变换(SIFT)算法进行分析研究,针对原算法中128维的高维描述子提出60维方形邻域描述子,统计邻域梯度信息.方形邻域描述子较原算法增加了邻域像素统计范围,增强了关键点的邻域信息;在配准阶段采用欧氏距离作为度量函数,用次临近与最邻近之比来对60维描述子进行匹配.通过实验证实,改进算法的匹配时间是原算法的30%～60%,配准精度与原算法相近,对于复杂图像的配准精度较原算法有所提高,适用于对实时性要求较高的图像配准场合.     

基于SIFT特征和误匹配逐次去除的图像拼接

针对随机抽样一致性算法(RANSAC)计算量大、耗时长、匹配点选取不当会影响变换矩阵精度、阈值的鲁棒性较差,以及不能完全去除误匹配等不足,提出了一种基于SIFT特征和误匹配逐次去除的图像拼接算法.该算法首先提取图像的SIFT特征,并利用近似的最近邻搜索算法(BBF)进行特征初始匹配,然后利用一种误匹配逐次去除的迭代算法正确地估计图像间的变换矩阵.在这种误匹配逐次去除的迭代算法中,采用预检测模型的方法,减少了迭代运算的数据量,提高了拼接速度;采用匹配点按块随机选取的方法保证了变换矩阵的稳定性和精确度;通过逐次筛选去除误匹配,且在筛选过程中采用自适应阈值,完全去除了误匹配.实验结果表明,该算法在保证较高精度和鲁棒性的情况下,缩短了拼接时间,提高了拼接效率.     

基于分数阶微分和SIFT算法的图像匹配方法研究

提出了一种采用分数阶微分与尺度不变特征变换算法(SIFT)相结合的方式进行图像识别及匹配方法.该方法首先采用分数阶微分方法对图像的细节纹理部分进行加强,从而提高图像的分辨率,然后采用尺度不变特征变换算法对旋转缩放后的图像进行特征关键点提取和匹配,从而提高图像识别的准确率.应用该方法对Lena图像进行图像处理实验,结果表明:采用阶次为0.6的分数阶微分算法与SIFT相结合可最大化地提取图像的关键点和提高图像匹配的准确率(94.59％).     

基于稀疏随机投影的SIFT医学图像配准算法

针对尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)算法在关键点特征描述向量阶段计算复杂并且维数较高的现象,提出了一种基于压缩感知理论的SIFT算法。通过压缩感知理论的稀疏特征表示方法,对SIFT关键点特征向量进行提取,将高维梯度导数向量降到低维的稀疏特征向量,降低了关键点描述向量维度。采用欧式距离作为关键点的相似性度量, Best-Bin-First(BBF)数据结构避免穷举,使数据的运算量大为减少。实验结果表明,新算法对存在仿射变换的医学图像配准性能优于传统SIFT算法,与当前改进型的SIFT算法相比,本文算法的实时性明显增强。     

基于信息熵的改进SIFT图像快速匹配算法

针对传统的尺度不变特征变换(SIFT)算法计算相对复杂、匹配耗时较长无法满足工程上实时计算要求的问题,提出一种基于信息熵的改进SIFT图像快速匹配算法.首先,根据局部熵自适应选择分割阈值把测试图像和参照图像分割成不均匀的两个区域,采用高熵区域做特征点检测,提高特征点的检测效率;然后利用每个子区域的梯度方向信息熵和梯度幅值信息熵把描述符向量的维度从128维降低到50维,降低欧氏距离的计算复杂度;最后,用最近邻距离比值法完成特征点匹配.通过实验对比发现改进的匹配算法在降低算法复杂度和提高正确匹配率的同时,显著地缩短了匹配时间.