基于二维最大熵阈值分割的SIFT图像匹配算法

提出了一种基于二维灰度直方图最大熵阈值分割的SIFT图像特征匹配算法。与传统SIFT算法相比,该算法首先综合利用图像像素的灰度信息和邻域空间信息,生成图像二维灰度直方图,并基于此直方图的最大熵对图像进行阈值分割,然后检测分割后图像的DoG尺度空间局部极值,并以此作为特征点进行图像匹配。实验结果表明,基于所提出的匹配算法,可以有效降低图像背景噪声和边缘像素点对目标匹配的干扰,进而提高图像目标的匹配性能。     

基于局部二进制模式和图变换的快速匹配算法

针对图像匹配在图像拼接、目标识别等领域的应用中尺度不变特征变换（Scale Invariant Feature Transform,SIFT）算法计算复杂度高、实时性较差的问题,提出了一种基于局部二进制模式（Local Binary Patterns,LBP）和图变换（Graph Transformation Matching,GTM）的匹配算法.首先采用SIFT特征检测提取特征点并以特征点为中心取13×13的图像块作为特征区域;然后用本文提出的局部旋转不变二进制模式（Local Rotation Invariant Binary Patterns,LRIBP）描述子对特征区域进行描述产生29维的特征描述向量,降低了描述子的复杂度,并以欧氏距离为度量准则进行初始匹配;最后采用图变换匹配算法剔除误匹配点,从而提高算法的运算速率和匹配精度.仿真结果表明,本文所提算法不仅具有较高的精度和较强的鲁棒性,并且减少了算法的运算量,提高了算法的实时性.     

一种改进的SIFT特征点匹配算法

提出了一种改进SIFT特征点匹配算法,旨在提高图像的特征点匹配算法效率。SIFT特征点检测算法检测到的特征点数量较大,且每个特征点描述子都是128维的向量,算法匹配时间较长,实时性较差,改进的算法将特征点描述子的维数从128维降低到48维,而描述子像素范围从16×16提高到24×24。实验表明,改进的算法不仅降低了匹配时间,而且提高了匹配精度。     

基于改进SIFT的遥感图像匹配方法

针对SIFT算法处理遥感图像时存在计算量大、时间代价高的问题,从极值点检测和相似性度量两个方面对SIFT算法进行优化改进。改进算法首先利用距离检测点越近的像素点对其影响越大的特点,在极值点检测时选取距离检测点更近、权重更高的14个相邻点来替代SIFT算法中的26个邻域点,减少极值检测的计算量。其次,在SIFT特征向量匹配的相似性度量方面利用更简单的曼哈顿距离与切比雪夫距离的线性组合来替代欧氏距离,减少特征匹配的计算复杂度,提高匹配效率。最后通过实测遥感数据验证所提方法的有效性。     

基于Canny算子和K-L变换的改进SIFT匹配算法

在分析了经典SIFT算法的基础上,提出了一种基于Canny算子和K-L变换的改进SIFT匹配算法。该方法首先利用Canny边缘检测算法获得图像的边缘点坐标,与SIFT算法检测出图像关键点的坐标进行对比以去除不稳定的边缘点;其次通过K-L变换,将特征描述符进行降维处理,降低算法复杂度;最后使用RANSAC算法剔除误配点。通过实验表明,该算法能有效去除不稳定的边缘响应特征点,减少图像匹配时间,提高图像匹配的准确性和鲁棒性。     

基于改进SIFT算法的弹载电视制导技术研究

以图像匹配技术为代表的弹载电视制导技术具有信息直观的特点,作为非常优秀的图像匹配技术,SIFT算法受到了广泛的关注和深入的研究。针对传统SIFT算法实时性差的问题,本文提出了一种改进的SIFT算法。在提取特征点部分,通过Laplace算子找出图像边缘区域并进行Laplace加权处理,然后利用FAST特征点检测算法提取区域特征点;在生成特征点描述子部分,将传统的128维SIFT算子降为48维,利用改进的SIFT特征描述算子为特征点赋予方向和描述符使其具有旋转不变性;在特征点匹配部分,利用欧式距离提取匹配点对,并采用RANSAC算法提纯匹配点对,得到最优矩阵。实验结果表明改进的SIFT算法在目标旋转、尺度变化等条件下匹配效果良好,与传统SIFT算法相比具有很高的实时性,可以很好地实现图像实时匹配。     

变环加权SIFT算法的图像拼接

针对传统SIFT匹配算法数据量大、时间复杂度高的问题,提出基于尺度不变特征变换(SIFT)特征提取方法获得特征点,并采用变换步长的圆形区域选区对特征点进行描述,改进了SIFT特征的64维描述符和88维描述符的不足。将改进后的算法应用到图像拼接过程中,通过实验验证了改进后的方法在时间复杂度方面有所改善。     

一种基于区域分割的SIFT图像特征提取算法

提出一种基于区域分割的SIFT图像特征提取算法.首先采用改进后的SIFT算法对图像进行计算,同时采用快速分割算法对原始图像进行分割,对照分割后的区域分别取每个区域最显著的几个SIFT特征,最后采用局部降维算法,将高维特征降低到可以接受的低维度特征.实验表明,该方法的运行时间短,对特征提取的位置界定准.     

基于FPGA的图像多尺度特征点提取及匹配

对于图像的多尺度特征点提取及匹配存在提取特征有限、算法复杂度高、处理速度慢的问题,提出了一种利用多尺度Harris角点方法提取图像中物体边界特征点,采用二维高斯拉普拉斯算子检测图像斑点信号,并基于SIFT特征描绘子计算特征描绘子相似度来完成匹配的方法.该方法充分利用FPGA的并行性特点,通过降低多尺度Harris角点检测、斑点提取和SIFT特征描绘子生成算法的复杂度,在FPGA中实现了图像多尺度特征点的快速提取及匹配.通过对多组图片进行对比测试验证,该方法相对于软件实现方法具有处理速度快,而图像主要特征点不丢失的特点.     

基于图像自相关矩阵的改进SIFT算法研究

针对尺度不变特征变换(SIFT)匹配算法存在计算量大、复杂性等问题,本文提出了一种基于图像自相关矩阵的迹的改进SIFT匹配算法。首先,将特征点的邻域划分为两个同心圆,再以特征点的主方向为基准方向,每次逆时针旋转度,将特征点邻域图像划分了多个区域;其次,为每个区域图像计算自相关矩阵的迹,按逆时针方向组合形成SIFT特征描述符;最后,对生成的特征描述符进行归一化处理,得到较低维数的特征描述符,新的特征描述符提高了图像匹配的效率。实验结果表明,与传统算法相比,改进的算法在保持较高匹配精度的情况下显著提高了匹配的速度。