共查询到19条相似文献,搜索用时 719 毫秒
1.
提出一种新的基于仿射几何的仿射不变特征提取方法,适合于目标的识别和图像的匹配。算法分3步执行:首先,提取区域的质心和扩展质心,质心和扩展质心的连线把目标区域分割成两部分,再分别计算两部分区域的质心,如此迭代,直到提取出满足要求的质心个数;然后,依次计算四边形的面积,其中四边形的顶点分别为其连线分割目标区域的两个质心和两个分割区域的质心;最后,依次计算各个四边形的面积比,得到仿射不变特征矢量; 另外,仿射变换的参数也可以通过计算提取的质心坐标得到。实验表明,提取的不变特征矢量稳健性好、计算速度快、分类精度高。 相似文献
2.
3.
本文提出了一种基于图像提升小波变换和仿射不变特征点的零水印算法。首先对图像进行3级提升小波变换,然后在低频部分,利用Harris-Affine算子提取出图像的仿射不变特征点和仿射协变特征区域,利用这些特征区域来构造零水印信息。实验证明,该算法不仅对常规信号处理攻击和简单的几何攻击具有很强的鲁棒性,对于剪切、纵横比改变、行列去除,局部扭曲等较复杂的几何攻击也具有较强的抵抗能力。 相似文献
4.
提出了一种基于局部仿射不变量特征的宽基线影像匹配算法。该算法以影像特征点为定位点,使用分层变尺度窗口内的几何和亮度仿射不变量特征实现立体匹配。由于使用局部特征,在较大窗口范围内构造尺度、旋转不变特征,以及将大窗口划分为较小的子区域,因此,该算法具有较高的匹配可靠性、较高的效率和匹配精度。 相似文献
5.
6.
针对当前图像匹配方法在进行图像匹配时,主要通过度量特征向量之间的距离来完成图像匹配,导致算法鲁棒性差、误配率较高及效率较低等不足,本文提出了基于三角网下的仿射不变几何约束的图像匹配算法。首先,在尺度空间上通过Hessian矩阵对特征点进行检测,利用子块的三角特征与对角特征对SUR机制进行改进,用以生成新的特征描述子,并通过定义阀值评估策略,对图像特征点匹配,从而生成了初始匹配点;然后,引入 三角网,对初始匹配点进行聚类,以获取匹配三角形,将三角形以外的无效特征点剔除。最后,引入仿射不变几何约束,对匹配三角形进行细化,通过细化的匹配三角形获取最终的匹配特征点,有效剔除误配点,进一步提高配准精度。仿真结果表明,与当前图像匹配算法相比,本文算法具有更好的鲁棒性,且其具有更佳的匹配精度与效率,有效剔除了误配点。 相似文献
7.
8.
提出了一种面向影像配准应用的仿射不变特征算法。首先选取图像中拉普拉斯算子和尺度空间微分算子同时取得最大值的点为特征点,使用仿射参数模板对特征点邻域进行重采样以补偿投影变换造成的形变。随后对采样区域求取尺度不变特征变换(SIFT)构造特征矢量。在此基础上,构造相似性判据匹配特征点,通过RANSAC(random sample consensus)算法迭代消除错配生成修正的特征点集,并精确估计变换参数。利用仿真数据,测试了所提算法在仿射变换、局部遮挡、灰度对比度变化、高斯噪声等影响因素下的性能,并用异时相卫星遥感影像验证该算法的实用价值。 相似文献
9.
基于Zernike矩的模糊与仿射混合不变量研究 总被引:1,自引:0,他引:1
Zernike矩作为形状描述子,其信息冗余度低且对噪声不敏感,在图像特征提取和模式识别中得到了广泛应用。为提高Zernike矩对含有模糊和仿射图像的形状描述能力,提出一种基于Zernike矩的形状描述子,该描述子使用规范化方法构造Zernike矩的仿射不变量,结合Zernike矩的模糊不变量得到Zernike矩的模糊和仿射混合不变量。将该矩混合不变量作为形状描述子描述图像的形状特征,并与几何矩模糊和仿射混合不变量进行对比实验,结果表明,Zernike矩的模糊和仿射混合不变量在混合形变下形状描述能力较强,具有不变性,并且对噪声的鲁棒性较好。 相似文献
10.
11.
一种新的统计仿射不变量 总被引:1,自引:0,他引:1
本文在充分分析了现有各种仿射不变量的基础上,提出了一种新的统计仿射不变量,它对于发生尺度变化、旋转、扭曲和平移的目标具有不变性。实验结果表明,相对于传统的仿射不变量,在目标轮廓分割不完整或噪声污染的情况下,仍能够保持较高的稳健性,同时克服了基于轮廓的小波方法和傅立叶级数等方法对目标轮廓出现缺陷时的不足,
,在图像目标识别中具有实用价值。 相似文献
,在图像目标识别中具有实用价值。 相似文献
12.
Scale & Affine Invariant Interest Point Detectors 总被引:35,自引:0,他引:35
13.
14.
15.
基于协方差矩阵的仿射不变量 总被引:1,自引:0,他引:1
刘亦书 《小型微型计算机系统》2007,28(7):1282-1286
为了对仿射变形的物体进行有效和正确的识别,构造了一种新的仿射不变量.构造的主要过程是:先计算图像的协方差矩阵,接着计算该矩阵的特征值和特征向量,再构造出一组同心椭圆,这些椭圆以图像质心为中心,以两个特征向量为长、短轴,且轴长和两个特征值的平方根成正比,进而利用图像紧化原理和仿射变换的有关性质推导出一组仿射不变量.文中将仿射不变量用于模式识别,获得很高的识别率. 相似文献
16.
目的: 为将流形学习有效应用于图像的降维与识别中,并消除图像的仿射变换对流形结构产生的影响,本文提出一种仿射不变的自适应局部线性嵌入算法。方法: 该算法在局部线性嵌入的基础上,为适应产生各种仿射变换的图像样本,引入切线距离计算各样本之间的相似程度,以此描述样本空间中的距离,并通过图像相似度函数自适应计算样本空间中每一点的邻域数量。结果: 实验结果表明,该算法能够构造出更合理的低维流形结构,并有效提升统计识别的正确率。结论: 本文算法对仿射变换不敏感,表现出更强的稳健性。 相似文献
17.
特征点匹配是计算机视觉中的一个基本问题。不同视点图像中相应特征点邻域窗口之间存在几何上的透视畸变,这可用平面单应映射来表示,而目前大多匹配算法将该映射用仿射变换模型来近似,即用具有仿射不变性的特征进行图像的匹配。仿射变换的线性特点不仅能降低算法复杂度,还能保证迭代过程收敛的稳定性,然而并没有人对该近似的可行性及如何减小近似误差给出定量分析。本文首先回顾了各种几何层次上的特征点匹配策略,重点针对具有仿射不变性特征点的定位误差进行研究和定量分析,通过本文提出的椭圆曲线规范化法推导出该近似所造成相应特征点定位误差的解析表达;然后用真实图像的实验结果验证了本文分析方法的必要性和正确性;最后给出相应的分析结果和结论,并指出提高大基线图像特征点匹配精度的相应措施。 相似文献
18.
多尺度最稳定极限区域仿射不变特征 总被引:1,自引:0,他引:1
基于局部区域的仿射不变特征被广泛应用于目标识别、场景分类和图像检索.在已经提出的仿射不变局部特征中,最稳定极限区域特征MSER(maximally stable extremal region)在多个方面具有优越的性能.但是由于最稳定极限区域特征MSER是从单一尺度图像中提取的,当图像尺度发生较大变化时,图像的模糊会使最稳定极限区域特征的边界发生变化,从而影响特征的稳定性.针对这一问题,通过定义多尺度空间中极限区域的稳定性指标,提出一种在图像空间和尺度空间都最稳定的极限区域特征,并设计了在尺度空间进行极限区域提取的快速算法.同时,针对极限区域可以较好地描述特征轮廓的特点,将局部灰度梯度信息和形状信息相结合设计了一种新的特征描述器.这种特征被称为多尺度最稳定极限区域MMSER(multi-scale maximally stable extremal region)特征.实验结果表明,在不同仿射变化条件下,MMSER的稳定性和可识别性均优于MSER,而且其描述器的创建时间约为SIFT描述器的45%. 相似文献
19.
We address the problem of texture segmentation by using a novel affine invariant model. The introduction of affine invariance as a requirement for texture analysis goes beyond what is known of the human performance and also beyond the psychophysical theories. We propose to compute texture features using affine invariant intrinsic neighborhoods and affine invariant intrinsic orientation matrices. We discuss several possibilities for the definition of the channels and give comparative experimental results where an affine invariant Mumford-Shah type energy functional is used to compute the multichannel affine invariant segmentation. We prove that the method is able to retrieve faithfully the texture regions and to recover the shape from texture information in images where several textures are present. The numerical algorithm is multiscale. 相似文献