基于信息测度特征和Hausdorff距离的图像匹配策略

由于传统的图像匹配方法受到诸如景物的遮挡、光照和噪声的影响比较大，并且需要建立模板与图像间的对应关系，因而使实际图像的匹配变得困难。为了克服上述缺陷，以便快速地进行图像匹配，通过引入信息测度概念来提取边缘特征点，并基于修正后的：Hausdorff距离构造相似性测度，提出了一种基于信息测度和：Hausdorff距离的图像匹配策略。该策略不仅加快了匹配过程，提高了抗噪性能，而且能准确匹配遮挡图像，从而较好地解决了基于传统Hausdorff距离的图像匹配因噪声点、伪边缘和出格点而造成的误匹配问题。实验结果证明，该方法是正确有效的。     

一种鲁棒型Hausdorff距离图像匹配方法

图像匹配是图像处理的一项关键技术,传统方法受光照、噪声和遮挡的影响,使匹配过程变得困难。为了提高图像匹配的鲁棒性,提出了一种基于方向信息的鲁棒型Hausdorff距离匹配方法。该方法采用方向信息提取图像边缘,通过计算边缘匹配率(edge matching rate,EMR)获得候选匹配区域,然后采用修正后的Hausdorff距离构造相似性测度。实验结果表明,该方法加快了匹配过程,提高了抗噪性能,并能够准确匹配含有遮挡和伪边缘点的图像,从而解决了基于传统Hausdorff距离匹配方法因噪声点、伪边缘点和出格点而造成的误匹配问题。     

基于邻域灰度信息的Hausdorff距离图像匹配方法

针对可见光与红外图像由于成像机理不同引起的图像灰度值差异大、边缘轮廓不一致、传统基于灰度和基于特征的匹配方法匹配概率不高等问题,在分析了各种Hausdorff距离算法的前提下,引入可见光与红外图像的灰度信息,提出一种基于邻域灰度信息Hausdorff距离的图像匹配方法。该方法在计算图像边缘特征点相似性的基础上,增加了邻域归一化灰度方差计算,有效解决了由于边缘差异引起的Hausdorff距离算法对可见光/红外图像匹配概率不高的问题。经可见光与红外图像匹配的仿真实验表明,在各种条件下,该算法与传统Hausdorff距离算法相比,有效提高了在不同光照下图像的匹配效率以及对噪声的抗干扰性能。     

加权Hausdorff距离算法在SAR/INS景象匹配中的应用

提出了一种基于特征图像分支点提取的加权Hausdorff距离图像匹配算法,并给出了相应的权值求解公式．为满足景永匹配导航系统实时性的要求,给出了细化处理的预处理方法,减少了特征文件的冗余度,提高了匹配搜索的快速性．同时,基于细化后提取出的分支特征点,应用加权Hausdorff距离算法进行图像匹配,克服了斑点噪声对合成孔径雷达（SAR）图像匹配的影响．仿真分析袭明．该算法能满足SAR／INS景泉匹配辅助导航系统实时性和准确性的要求．     

一种内外轮廓加权的人耳检测算法

为了提高人耳检测中图像匹配的精确性,提出对内外耳轮廓加权,并利用Hausdorff距离进行人耳检测的算法。在传统的Hausdorff距离匹配中,图像如果受噪声干扰或边缘不连续等情况,检测结果不理想。因此为使检测位置更加接近外耳轮廓,需要强调外耳轮廓的作用,这通过对外耳加大权值、对内耳加小权值实现,然后再结合加权Hausdorff距离进行图像匹配计算。仿真实验表明,提出的算法是有效的。相比传统Hausdorff距离和平均Hausdorff距离的匹配,人耳轮廓加权的算法更加精确。     

一种改进的Hausdorff距离模板匹配算法

检测和提取图像中的目标图像是图像处理和模式识别等领域里非常活跃的问题.因为Hausdorff距离对于目标遮挡、图像噪声和图像晃动等情况具有较好的鲁棒性,因此使用Hausdorff距离进行图像匹配是较常用的方法之一.为了降低此算法的计算复杂度,提高匹配效率,提出了一种能够从待匹配图像中高效匹配出模板图像的改进算法.将文中提出的改进算法分别应用到一幅图像和视频序列图像中,实验结果证明了该算法的高效性.     

基于支持向量域描述的图像集匹配

提出一种基于支持向量域描述的图像集匹配方法.该方法首先通过支持向量机学习,将每个图像集合映射到高维特征空间,使用支持向量域对图像集合建模,建立的模型使用一个包含大部分样本的最小闭球表示.然后引入基于支持向量域之间距离的相似性度量,将集合的匹配转换为成对的支持向量域之间的距离计算.最后在基于集合的人脸和对象识别任务中分别进行测试,文中方法的识别率在ETH80、HondaUCSD和YouTube数据库上分别达到96.37%、100%和95.32%,优于其他方法.     

基于自适应极线距离变换的立体匹配

针对极线距离变换对噪声的敏感性及其在不连续区域匹配的不确定性,提出一种基于自适应极线距离变换的立体匹配算法.自适应极线距离变换利用图像结构特征,提出迭代目标尺度算法与区域不连续图来自适应选择极线距离变换参数,将图像的强度信息转化为沿着极线局部分割区域的相对位置信息,在区分低纹理区域像素点的同时保持了图像边缘信息;采用局部极小窗口均值计算分割线长度,有效地提高了低纹理区域对噪声的鲁棒性.对多幅真实图像的实验结果表明,自适应极线距离变换对低纹理区域以及不连续区域是有效的,且采用变换后图像计算视差的立体匹配算法,有效地降低了图像边缘点和噪声点等不连续区域的误匹配率,提高了图像匹配精度.     

一种用于辅助导航的快速图像匹配方法

为了提高辅助导航中多传感器图像匹配的精确性和实时性,首先提取图像的边缘特征,并用3-4距离变换(3-4DT)方法对边缘二值图像进行变换,以变换后的边缘距离图像为匹配特征;针对传统Hausdorff距离的局限性提出了一种融合点集重合数的Hausdorff距离,并以之为相似性度量;搜索策略根据人眼视觉系统的机制采用一种由远到近的分层匹配方法,同时使用一种改进的实数编码遗传算法来加快底层图像匹配的速度。实验结果为平均匹配时间为1283m s,平均误差值为1.036,表明匹配方法能满足导航要求。     

基于复数小波能量特征和支持向量机的图像匹配算法

为了对图像中发生平移、伸缩及旋转等形变的目标进行有效检测和跟踪，提出了基于复数小波能量特征和支持向量机的图像匹配算法，以便把图像匹配问题转化为图像分类问题。该算法首先利用复数小波的方向选择性、多尺度特性及近似平移不变性来抽取图像能量的均值、均方差及偏度等统计特征，并将其作为支持向量机的输入参数，用于训练模板样本集合，以获得支持向量，然后对由输入图像构成的与模板大小相同的所有子图像进行测试。这是一个粗精结合的两步算法，即先运用支持向量机筛选出侯选目标集合，再运用非线性距离判优准则来确定检测出的候选目标图像集合中的最优匹配。实验结果表明，该算法克服了传统图像匹配方法搜索目标时存在的置信度问题，通过与基于径向基的神经网络学习方法和基于灰度相关的匹配方法比较可见，该算法在性能上优于这两个方法，并能得到满意的匹配结果。     

基于改进的加权Hausdorff距离的图像匹配*

提出了一种改进的加权Hausdorff距离,并将其应用于字符图像的匹配.该方法根据字符图像的结构特征对字符不同区域设置不同的权重.实践表明该方法改善了图像匹配效果.     

基于Hausdorff距离的图像匹配并行算法设计与实现

随着图像匹配的应用越来越广泛,图像匹配的实时性要求也越来越高。为了提高图像匹配的速度和更好地利用多核计算资源,设计了一种基于Hausdorff距离的图像匹配并行算法。首先介绍了Hausdorff距离的定义,然后分析了图像匹配串行算法的效率,在此基础上设计了基于Hausdorff距离的图像匹配并行算法,最后采用Matlab在多核计算机上对并行算法进行了实现。实验结果表明,文中所设计的并行算法能够显著提高图像匹配速度,并具有较好的抗失真和抗噪声性能。文中设计的并行算法有较好的扩展性,可以将这种并行思想应用到其它图像匹配算法的并行设计中。     

一种基于多帧视频的文本图像质量增强方法

视频文本和视频内容高度相关,提供了理解视频内容的有用信息,然而文本往往位于复杂背景之中,从视频帧中定位到文本区域后,如果将其直接送入OCR软件,其识别效果较差。视频文本的时域信息提供了增强文本,消除背景的有用信息。因此,提出了一种利用视频文本的时域信息来消除背景,增强文本的方法。该方法首先利用边缘算子计算文本的轮廓特征,然后采用基于Hausdorff距离度量的匹配方法跟踪本文区域在相邻帧序列中的位置,利用多帧平均或帧间最小搜索法消去背景;其次,利用双线性插值技术调整文本尺寸,最终得到具有干净背景、合理分辨率的文本图像。不同测试视频序列的实验结果表明,该方法可以有效提高视频文本的OCR软件识别率。     

快速的自适应景象匹配算法

在基于改进Hausdorff 距离的景象匹配辅助导航系统中,为满足系统对实时性的要求,常采用小波多尺度图像分解进行由粗到精的分层匹配,但这种方法对于图像尺寸较小的情况不太适应。基于Hausdorff距离特性,首先提出一种跳跃式的搜索策略,通过对跳跃式搜索及小波多尺度分解两种方法的分析比较,进一步提出一种自适应的快速匹配方法。仿真结果表明,在保证匹配概率的同时,提出的自适应的快速匹配方法比仅采用小波多尺度分层匹配的实时性更好,且在图像尺寸较小时仍能精确定位。     

一种快速实用的特征点匹配算法

该文提出的方法，使用了基于投影的粗筛选和候选点的策略，使用基于距离约束对匹配点对进行校正和消除错误匹配，提高计算速度和可靠性。实验结果证明，提出的方法具有较大的实用性。     

Hybrid image matching combining Hausdorff distance with normalized gradient matching

Image matching has been a central problem in computer vision and image processing for decades. Most of the previous approaches to image matching can be categorized into the intensity-based and edge-based comparison. Hausdorff distance has been widely used for comparing point sets or edge maps since it does not require point correspondences. In this paper, we propose a new image similarity measure combining the Hausdorff distance with a normalized gradient consistency score for image matching. The normalized gradient consistency score is designed to compare the normalized image gradient fields between two images to alleviate the illumination variation problem in image matching. By combining the edge-based and intensity-based information for image matching, we are able to achieve robust image matching under different lighting conditions. We show the superior robustness property of the proposed image matching technique through experiments on face recognition under different lighting conditions.     

Comparing images using the Hausdorff distance

The Hausdorff distance measures the extent to which each point of a model set lies near some point of an image set and vice versa. Thus, this distance can be used to determine the degree of resemblance between two objects that are superimposed on one another. Efficient algorithms for computing the Hausdorff distance between all possible relative positions of a binary image and a model are presented. The focus is primarily on the case in which the model is only allowed to translate with respect to the image. The techniques are extended to rigid motion. The Hausdorff distance computation differs from many other shape comparison methods in that no correspondence between the model and the image is derived. The method is quite tolerant of small position errors such as those that occur with edge detectors and other feature extraction methods. It is shown that the method extends naturally to the problem of comparing a portion of a model against an image