基于图像力场理论的ORB特征优化方法

针对现有的移动机器人视觉图像ORB特征受图像尺度、光照和旋转影响比较大的问题,提出了一种基于图像力场理论转换的优化ORB算法.通过计算图像熵值确定图像金字塔尺度,构建稳定的ORB特征,以此解决ORB特征点的尺度不变性.采用ORB特征点的引力方向作为特征点描述子的主方向,优化ORB算法的旋转不变性.利用PROSAC算法剔除冗余ORB特征点.结果表明,本文方法在一定程度上提高了ORB特征点描述子的准确度和匹配正确率.     

一种新的宽基线图像匹配方法

在宽基线图像匹配中,图像存在3维视角、尺度、旋转和灰度差异.为此,构造了一种新的基于局部二值模式直方图傅里叶特征的特征描述符,并通过对传统宽基线图像匹配算法框架中不同部分算法的对比分析,提出了一种新的宽基线图像匹配方法.首先,提取基准图像和实时图像中具有尺度和仿射不变性的最稳定极值区域,并利用新的特征描述符对这些区域进行图像旋转和灰度不变性描述;然后,根据近邻欧氏距离比值准则提取两图像中匹配的最稳定极值特征区域对;最后,利用顺序抽样一致性算法剔除误匹配特征区域对,估计两图像的外极几何关系,得到匹配结果.仿真结果表明,新算法能够适应待匹配图像间较大的3维视角、尺度、旋转和灰度差异,实现稳定的宽基线图像匹配.     

基于纹理增强的ORB特征点提取与匹配算法

针对传统的ORB算法在面对纹理变化较大或纹理不明显的场景时特征提取能力的不足,提出了一种基于纹理增强和颜色增强的ORB特征点提取与匹配算法。首先,通过设计纹理增强预处理方法,分析了图像纹理特征的统计信息,以改善图像的纹理信息表达;其次,在经过纹理和颜色增强处理的图像上应用ORB算法执行特征点提取,从而获得更为突出和多样的纹理特征点;最后,为进一步提高特征点匹配的准确性,引入了一种综合考虑纹理相似度和尺度一致性的匹配策略。实验结果显示,与传统的ORB算法相比,基于纹理增强的ORB算法在特征点提取和匹配的准确性和鲁棒性上均得到了显著的提升。     

视频稳像的Sift算法优化

针对连续拍摄的相邻视频帧具有视场重叠度高,视角转换小,平移量小等特点,对Sift特征匹配算法进行优化,以降低视频稳像的运算量.研究了图像尺度空间变换,尺度空间的特征点提取,特征点匹配算法和相邻帧间的平移旋转矩阵,并给出了Sift优化的说明和算法的实验结果.首先对当前帧的图像提取相邻两个尺度空间的特征点,并与上一帧图像的两个尺度空间的特征点进行匹配.然后去掉匹配度小于某一阈值的特征点,对剩余的特征点根据旋转平移矩阵求解视频帧的旋转分量和平移分量.实验证明本算法能够将Sift算法运算量减小96.8％,同时视频的旋转稳像误差在±0.3％以内.     

LNIP改进算法及其在材料形貌分类中的应用研究

针对LNIP(local neighborhood intensity pattern)纹理特征提取算法在旋转、尺度变化方面存在的不足,提出了一种LNIP改进算法RSILNIP(rotation and scale invariant LNIP)。首先,同化邻域信息之间的特征以提高其旋转不变性;其次,采用统一编码的方式降低特征提取维度;然后,提取多尺度特征并进行选择,从而增强其尺度不变性;最后,采用并联方式合并特征。将改进算法与同类算法在公共数据集Outex和材料扫描电镜图像数据集SEMdataset上进行分类精度测试,得到改进算法的分类精度分别达到96.76%和98.26%,说明改进算法在图像分类和材料形貌归类上有较好的工程应用价值。     

基于T-GLCM和Tamura融合特征的纹理材质分类

虚拟现实力触觉再现对于图像纹理特征提取的要求越来越高,纹理因素复杂且无规律,单一的纹理提取算法并不能准确地描述图像纹理的特点.因此提出基于GLCM(灰度共生矩阵)和Tamura融合特征的纹理材质分类算法.此外,本文对传统灰度共生矩阵GLCM进行优化,提出了改进的GLCM(T-GLCM)算子,提升了GLCM的旋转不变性并减少了大量的冗余信息.利用Tamura纹理特征对图像进行量化,然后将各特征区域量化后级联成一组特征向量,融合T-GLCM的纹理特征,通过支持向量机(SVM)对纹理材质进行分类.实验结果表明,相比传统纹理特征提取算法,本文算法具有更高的分类精度且鲁棒性更好.     

用Harris-Laplace特征进行遥感图像配准

为克服图像在旋转及分辨率不一致时自动配准的困难,提出了一种新的自动配准方法:包括新的尺度空间投影算法和新的特征匹配算法。基于Harris-Laplace(H-L)特征的尺度不变性,新的尺度空间投影法运用H-L方法提取图像特征,然后将特征空间建立在依据特征点主方向的图像投影信息上,使得特征空间具有对图像旋转和分辨率大小不变的特性。新的特征匹配法则采用特征空间k-d树欧氏距离匹配和RANSAC一致性位置检验相结合的方法,实现了高效率无差错的特征匹配。通过比较分析与实验证明,该自动配准方法能够对不同分辨率、不同旋转角度的图像精确地实现自动配准。     

一种图像纹理特征检索算法

提出一种基于Radon和小波变换的图像纹理特征检索算法,对原始图像进行坐标系的旋转校正,确定方向归一化的图像,再对方向归一化后的图像进行Radon变换．根据Radon变换投影数据的几何特性,构造了适合投影数据的具有尺度和平移不变性的小波分解,该小波分解系数具有旋转、平移和尺度不变性．采用图像中各尺度小波系数的能量值作为图像的纹理特征,以此进行图像检索．基于纹理特征的试验结果表明,该特征具有旋转、平移和尺度不变性,与RIM算法相比平均检索率提高了3.8％．     

基于相对位置不变性的SIFT高效匹配算法研究

为了实现全自主机器人立体视觉导航,图像匹配的准确性和快速性成为了研究热点和难点。通过移动机器人工作环境研究,提出图像匹配相对位置不变性的原理,基于这种原理,对最近邻域和次近邻域的SIFT特征点匹配算法进行了改进。先将待匹配图像（前后帧）所有特征点按Y方向像素值大小排序,再从对应位置关系的局部区域搜索SIFT特征点,如果最近邻和次最近邻的比值满足一定阈值T,则该点为匹配点,然后再通过相对位置不变性去除误匹配点。改进算法在最近邻匹配点和次近邻匹配点搜索时避免全局搜索而大大提高实时性,通过相对位置不变性基本去除所有误匹配点。通过实验验证,匹配速度和正确率大大提高,是平面移动工作环境下高效实用的匹配算法,同时,该算法稍加改进对复杂环境也是适用的。     

基于SIFT-SUSAN融合的草地障碍物识别算法

SIFT(scale invariant feature transform)是一种对图像旋转、缩放、仿射变换具有良好不变性的机器视觉算法,在图像匹配识别上具有广泛的应用。但SIFT算法在对草地障碍物识别上存在误匹配率高和运算速度慢的问题,针对该问题提出一种SIFT-SUSAN融合算法。算法引入SUSAN算子检测并提取障碍物特征边角点,使用SUSAN提取的特征边角点和SIFT提取的特征点融合计算,对SIFT的提取特征点精简筛选后进行特征匹配。实验结果验证该算法具有可行性和有效性,提高了匹配的准确率和识别速度,且具有较好的鲁棒性。     

基于图像梯度内积与外积的特征点匹配方法

提出一种新的特征描述子,称之为梯度相关性描述子(GCD).GCD描述子由内积与外积定义的相关性度量来刻划特征点的局部梯度分布特征,它具有下述优点:仅涉及梯度内积与外积运算,构造极为简单;相关性度量能有效地描述特征点邻域的梯度分布特征;在相关性度量中梯度均值的应用,使得它对主方向估计精度不敏感,从而对图像旋转具有更好的稳...     

基于信息熵的图像检索

在分析了现有的基于颜色、形状、纹理等基于内容的图像检索算法的基础上，提出了一种新的基于信息熵的图像检索算法，即利用图像的信息熵来描述图像的特性，结合网格描述符及图像颜色信息，采用图像单元熵构成的熵矩阵特征值矢量作为图像的特征描述，并提出了利用特征矢量进行图像检索的检索算法．实验结果表明，该算法具有尺度不变性、旋转不变性，并且对于颜色直方图不同但有视觉一致性的图像也有较好的检索效果．     

抗模糊的图像局部特征描述子

针对提取图像局部特征时,尺度不变特征变换描述子对光照条件变化仅有部分不变性,特别对非线性光照变化不具备不变性,对模糊的目标图像也无法准确提取或仅能提取到很少特征点的问题,利用局部二值模式描述子对光照的健壮性提出了一种符合人类视觉系统的自底向上再到自顶向下的视觉认知过程的新的抗模糊的图像局部特征描述子。实验表明,所提出的描述子对光照变化有更好的健壮性,对模糊的目标图像能准确地提取出更多的特征点,保留了尺度不变特征变换对缩放、旋转和压缩等变换的不变性,并显著地提高了针对模糊图像的匹配率。     

鲁棒的新型特征提取和匹配算法

针对现有图像特征匹配算法高复杂度、耗时长等问题,提出一种基于局部特征点的新型特征匹配算法。首先,构建尺度金字塔,在不同的尺度上进行FAST特征点检测,根据特征点的Harris响应对特征点进行排序选取;然后利用图像的矩和积分图的方法获得特征点方向,再根据同心圆的采样模式构造特征点向量,最后根据特征点向量的汉明距离进行特征匹配。实验研究表明,该算法在图像有一定程度的缩放、旋转和噪声影响的条件下,运行效果仍然稳定可靠。与传统的SIFT算法相比,该算法在保证特征提取与匹配良好性能的前提下,运行速度要比SIFT算法快数倍。     

旋转尺度不变的实时高精度场景匹配算法

针对场景匹配技术中以二进制稳健基元独立特征( binary robust independent elementary features,BRIEF)为代表的实时算法匹配错误率高的问题,提出一种基于局部梯度二值化的特征描述算法.该算法利用重心向量方向归一化特征描述区域,保证了特征描述符的方向不变性.同时,融合基于局部梯度二值化的区域纹理信息以降低特征匹配错误率.使用国际通用数据库对算法进行了验证,实验结果表明：提出的场景匹配算法其平均匹配准确率比BRIEF算法高44.59%,具有较高的鲁棒性.     

基于无监督深度学习的红外图像与可见光图像融合算法

红外和可见光图像表征了互补的场景信息. 现有的基于深度学习的融合方法大多通过独立提取网络分别提取两个源图像特征,从而丢失了源图像之间的深度特征联系. 基于此,提出了一种新的基于无监督深度学习的红外图像与可见光图像融合算法,针对不同模态的特点采用不同的编码方式提取图像特征,利用一个模态的信息补充另一个模态的信息,并对提取到的特征进行融合,最后根据融合特征重建融合图像. 该算法可在两个模态的特征提取路径之间建立交互,不仅可预融合梯度信息和强度信息,且能增强后续处理的信息. 同时设计了损失函数,引导模型保留可见光的细节纹理,并保持红外的强度分布. 将所提算法与多种融合算法在公开数据集上进行对比实验,结果表明,所提算法获得了良好的视觉效果,客观指标评价方面对比现有的优秀算法也有一定的提升.