基于图像纹理特征的SIFT算法研究

针对传统尺度不变特征转换(SIFT)算法存在大量冗余的特征点,而导致图像匹配过程中运算量大、效率低的问题,提出一种基于图像纹理特征的SIFT算法。该算法首先采用排列组合熵方法提取图像纹理信息,在此基础上利用SIFT算法提取特征点,这样能够减少冗余特征点,以有效提高算法匹配效率。实验测试结果表明,该算法与传统的SIFT算法相比,冗余特征点少,特征点匹配效率提高到98.04%。     

基于图像纹理特征的SIFT算法研究

针对传统尺度不变特征转换(SIFT)算法存在大量冗余的特征点, 而导致图像匹配过程中运算量大、效率低的问题, 提出一种基于图像纹理特征的SIFT算法。该算法首先采用排列组合熵方法提取图像纹理信息, 在此基础上利用SIFT算法提取特征点, 这样能够减少冗余特征点, 以有效提高算法匹配效率。实验测试结果表明, 该算法与传统的SIFT算法相比, 冗余特征点少, 特征点匹配效率提高到98.04%。     

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.     

基于SIFT算法的圆心快速精确定位技术研究

针对SIFT算法在圆心检测应用中的特点,分析了SIFT算法中存在的冗余步骤,提出对其进行简化改进:估计圆心所在的金字塔层,删减金字塔中多余的层数建立,并且通过提高滤除低对比度特征点阈值的办法减少背景特征点的生成,去掉了特征点辅方向分配和建立辅方向特征点这一步骤.分别对计算机模拟牛成的标准圆和实际的PCB定位标志图像做了圆心检测实验,实验表明,SIFT算法改进后在没有降低其定位精度及对图像的模糊、光照、仿射等变换适应性的情况下,大大缩短了检测时间,提高了检测效率.     

基于sobel边缘检测与K-L变换的高效SIFT算法

针对SIFT经典算法提出了一种基于Sobel边缘检测与K-L变换的高效SIFT算法.首先,采用Sobel算子边缘检测,通过设置阈值T,忽略部分冗余特征点,减少冗余的特征向量生成;其次,通过K-L变换,把128维的空间特征描述符降低到60维,降低了时间的复杂度.通过实验表明,阈值设置得越高,获取的关键点越少,匹配的效率越高,可见该算法从整体上实现了匹配的高效性和实时性.     

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。     

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。     

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。     

对比度阈值自适应的SIFT图像拼接算法

图像拼接技术主要由3部分构成:采集、匹配和融合,其中匹配最为关键,决定拼接质量。针对SIFT图像拼接算法的特征点数目局部过高或过低情况,采用对比度阈值自适应的SIFT图像拼接算法,可得到合理数目的特征点。此方法保证特征点数目在150~300之间,过高或过低时,可自适应调节数目,进行有效控制。实验证明:改进的算法保证拼接效果的基础上,提高运算效率,具有实用价值。     

融合特征光流与角点特征的图像特征匹配算法研究

图像特征匹配是视觉里程计的重要环节,针对视觉图像序列特征点匹配中存在的匹配精度低问题,提出一种融合金字塔特征光流与角点特征的精确快速图像特征匹配算法。算法首先利用ORB(二进制定向简单描述符)算法快速提取图像特征点,然后融合金字塔Lucas-Kanade特征光流的追踪特性,使用局部特征窗口计算图像特征点位移矢量。接着针对图像特征的匹配对齐问题以及特征丢失问题,算法采用K最近邻半径搜索作为特征滤波器移除混淆的匹配,最后使用RANSAC(Random Sample Consensus)算法剔除冗余误匹配点对,提高匹配率。通过多组实验数据对比,该算法的图像特征匹配率可达到98%。对比传统的ORB特征匹配算法,该算法在实时性和图像特征匹配精度上均有显著提高。     

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.     

一种改进的基于SIFT特征的快速匹配算法

对SIFT特征匹配算法进行改进,采用D2OG金字塔的过零点检测代替DOG金字塔的局部极值点检测,建立DOG金字塔后,利用DOG金字塔相邻层相减得到D2OG金字塔并在其上进行过零点检测;采用改进RANSAC算法二次消除错配,匹配点对经过RANSAC算法筛选后,再次利用RANSAC算法对匹配点对做进一步筛选.实验表明,改进的SIFT特征匹配算法在保证了较高精度的同时提高了算法的速度,能适应于实时性要求较高的领域.     

CCD像元尺寸对傅里叶变换法相位测量精度的影响

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。     

一种基于对比度阈值的改进SIFT算法

为了提高基于SIFT(Scale Invariant Feature Transform)图像匹配算法对于图像对比度变化的鲁棒性和算法效率,提出了一种具有可变系数的自适应对比度阈值SIFT算法。根据特征点局部邻域的灰度信息初步确定对比度阈值,同时根据当前特征点的多少确定对比度阈值系数的大小;特征点越多,系数越大,增大对比度阈值从而达到避免特征点数量过大的目的。实验结果表明,改进后的SIFT算法能够根据特征点邻域内的灰度分布情况,自动计算对比度阈值,明显增强了SIFT算法对于低对比度图像匹配的鲁棒性;同时最终提取出的特征点数量避免了过大,稳定在预定的区间内,算法效率提高了1倍多。     

基于改进的SIFT和RANSAC的图像拼接技术

为解决图像拼接技术中特征点冗余的问题,该论文提出一种基于SIFT(尺度不变特征变换)的改进算法,该算法在标准的SIFT算法基础上加上筛选规则,通过结合特征点与欧氏距离的关系自动优选特征点,根据欧氏距离设立距离等值区间,统计区间特征点数量,运用双阈值(特征点阈值、距离筛选阈值)选择较好的匹配点后再用RANSAC算法消除误匹配点。利用客观图像质量评估指标分析,实验表明,改进后的算法减少了特征点的数量,提高拼接图像质量。     

基于粗糙集近似约简和SIFT特征的图像匹配算法

SIFT(Scale Invariant Feature Transform)描述符由于具有尺度、旋转和光照不变等特性在图像匹配领域获得了广泛的应用。但是,SIFT特征点采用128维特征向量表示,当图像特征点较多时,匹配算法所需的存储空间大、匹配时间长,且匹配精度不理想。针对以上问题,本文给出了一种基于Rough-SIFT描述符的图像匹配算法。首先,利用排序法求出图像的稳健特征点,然后为提高后续匹配处理运算效率,将粗糙集约简理论引入到基于SIFT特征的匹配算法中,通过构建一种新的近似约简算法来对稳健特征点的128维特征向量进行降维处理,最后利用约简后的特征点对图像进行匹配。仿真实验表明, 本文方法使得约简后的SIFT特征点更加精确、稳定、可靠,有效减小了匹配算法的存储空间,提高了匹配算法的效率和准确率。      

基于SIFT改进的无人机图像匹配算法

针对无人机图像匹配时间较长的问题,提出了一种基于SIFT改进的无人机图像匹配算法。引入了FAST算法检测角点,它能快速通过比较中心像素点和一定领域内像元的灰度值以判断是否为角点,从而提高算法的速度。同时,为了弥补FAST算法在高斯差分金字塔上搜索的不足,使用了基于Ostu和GA的图像分割算法对图像进行分割,对分割图像构建高斯金字塔,在高斯金字塔上进行特征点搜索。实验结果表明,与传统的SIFT算法相比,改进算法提高了无人机图像匹配的速率和正确率。     

基于图像分块的Harris-SIFT特征匹配算法

应用Harris角点和SIFT图像局部特征定量化数据描述的互补优势,提出了图像分块Harris-SIFT特征匹配方法。将原图像分割成子图像块,根据子块的可变阈值检测多尺度Harris角点,并对其进行迭代精化,使其收敛到真值,然后生成定量化的特征矢量。匹配应用双向最近邻算法并用RANSAC去除误匹配。通过仿真验证,这种方法增强了角点提取的鲁棒性,提高了匹配速度和精度。     

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.     

应用于多源SAR图像匹配的级联SIFT算法

针对多源SAR(Synthetic Aperture Radar)图像几何精处理需要大量离散控制点的问题,文章中提出一种级联SIFT(Scale Invariant Feature Transform)匹配算法.首先,采用大尺度自适应各向异性高斯SIFT(Adapted Anisotropic Gaussian-SIFT,AAG-SIFT)算法进行图像粗配准,大尺度AAG尺度空间可以在模糊不稳定局部纹理干扰的同时,保持图像的结构信息,提高算法的鲁棒性;其次,级联一种局部SIFT匹配算法,在粗配准后图像间进行局部匹配,避免不相关区域内重复纹理对特征匹配的影响;最后,通过尺度和旋转等先验条件筛选匹配点对,保证匹配结果的准确性.对比实验表明,级联SIFT处理可以增加提取同名点的数量和空间分布质量,而且匹配点定位准确.