基于ORB特征的无人机遥感图像拼接改进算法

针对传统的SIFT算法运行速度较慢、不适合处理实时性要求高的无人机遥感图像的缺点,提出了一种基于ORB特征的快速遥感图像拼接改进算法。首先通过ORB算法快速得到特征点和特征描述,采用K最近邻算法（KNN）进行粗匹配,然后采用随机抽样一致性算法（RANSAC）进行精匹配,最后使用改进的加权平均方法对图像进行融合拼接。实验结果表明,该算法在保证匹配精度的基础上,处理速度较经典的SIFT算法提高了41倍。在图像融合时,该算法能有效地消除拼接重影错位现象。     

一种基于曲率尺度空间的图像拼接算法

提出了一种基于曲率尺度空间的图像拼接算法。该算法利用曲率尺度空间（CSS）角点检测法提取特征点,通过比较各特征点圆形邻域Zernike矩的欧式距离得到匹配点对,然后利用正确的映射模型计算出变换参数,最后采用加权平均法得到图像的拼接结果。实验表明,该算法在图像间存在旋转、平移及噪声干扰的情况下,仍能得到很好的拼接结果。     

基于SIFT的无人机航拍图像快速拼接技术研究

无人机航拍图像自动拼接技术可以获得宽视野、高分辨率的图像,在地图生成、军事侦察等方面具有重要的研究意义。对于特征点匹配时间较长的问题,提出一种新的图像拼接算法。通过无人飞行器获取航拍图像,采用SIFT特征提取算法提取图像的特征点,并在图像初步匹配中加入序贯相似性检测算法(SSDA算法),再根据RANSAC算法计算转换矩阵,去除误匹配的特征点对,最终完成图像拼接工作。通过实验证明,所用算法使匹配速度加快,大大缩减了运算时间,同时得到较好的无缝拼接结果图。     

序列显微病理切片图像的自动拼接

针对存在模糊和较大旋转角度的病理切片序列图像,提出了一种具有尺度不变性的图像拼接方法。首先利用高斯图像金字塔提取图像的特征点,使用特征点主方向上描述符的相关性建立特征点匹配关系,最后采用随机抽样一致性算法计算匹配点对之间的变换模型参数。实验表明本文算法具有很强的灵敏性和适应性。     

一种改进的快速图像拼接方法

为了提高图像拼接的速度,提出了一种快速的图像拼接方法.首先在SUSAN角点检测算法检测出图像角点的基础上,采用图像分块和邻近角点剔除的方法来保证图像角点分布均匀并且避免出现角点聚簇现象,利于提高拼接的精度.其次,利用灰度相关性进行特征角点的匹配并消除伪匹配.然后采用改进的RANSAC算法快速地估计变换矩阵,该算法中采用预检测的方法快速抛弃那些不是候选模型的临时模型,加快了算法的速度.最后进行颜色融合,生成无缝拼接图像.实验结果表明,该方法在得到较高精度的情况下,大大减少了运算量,提高了图像拼接的速度.     

基于DPP改进RANSAC算法的图像拼接

为提高图像拼接时的配准速度和精度,针对鲁棒性模型估计问题,提出一种基于行列式点过程的改进RANSAC算法（Random Sample Consensus）.该方法利用行列式点过程抽样法的全局负相关特性对匹配的特征点进行建模,实现抽样点的均匀化和分散化,剔除一些错误匹配点.用行列式点过程抽取的点集作为RANSAC算法的输入来求取变换矩阵.实验结果表明：该算法相对于传统的RANSAC算法,能够保持较高的精度和鲁棒性,减少传统RANSAC算法迭代次数,显著提升图像自动拼接的计算效率.     

基于特征点的图像拼接方法

提出了一种基于特征点匹配的全景图像拼接方法.该方法首先利用sift算法提取各图像中的特征点并利用Harris算法对图像特征点提取进行了优化,然后采用基于K-d树的BBF算法查找和确定初始匹配点对,完成特征点的粗匹配,再根据图像配准结果使用稳健的RANSAC算法对粗匹配的特征点进行筛选,计算出图像间变换矩阵H,最后采用渐入渐出的加权平均的融合算法对两幅图像进行无缝拼接,形成一幅完整的全景画面.实验结果验证了该方法的有效性,拼接效果较好.     

一种改进图像拼接算法的仿真研究

研究图像拼接优化问题,在图像拼接中有精度要求,但由于受到光照、目标移动、视角等影响,图像含有噪声,且容易发生变形,传统Harris特征提取算子不能适应图像变形特性,容易获得很多错误的特征点,导致后继的图像拼接精度低。为了提高图像拼接精度,提出一种改进Harris算子的图像拼接方法。首先对待拼接图像进行平滑和几何校正处理,然后采用改进Harris算子提取图像特征点,最后采用傅立叶变换实现图像配准,平均值法进行图像融合,得到一幅全景图像。仿真结果表明,改进算法不仅减少了图像拼接耗费的时间,同时提高了图像精度和拼接的效率,达到了图像无缝拼接的效果。     

一种基于特征点匹配的图像拼接算法

本算法首先采用边缘检测缩小了待提取的特征点的寻找范围,然后根据图像中各列边缘点的梯度最大值提取特征点,进而确定两幅图像的缝合点及其匹配位置,最后通过对图像的重叠区域进行平滑过渡处理,实现了待拼接图像的无缝拼接。实验表明,本算法能较好的实现图像拼接。     

基于稀疏特征点的零件图像拼接方法

针对纹理弱、特征稀少且存在大量相似性区域的零件图像拼接,一般基于特征点的图像拼接方法效果较差,本文提出一种改进方法。该方法首先依据FAST特征点检测方法提取特征点,再筛选出用于匹配的候选点集;其次,利用模板区域采样灰度特征,通过设置旋转角度和缩放比例搜索域结合结构相似性（SSIM）方法完成点匹配;最后,通过点匹配结果求出旋转、缩放和平移参量,利用3σ原则去除异常值得到最终结果。实验结果表明,在角度搜索域为［-45°,+45°］,缩放搜索域为［0.5,1.5］的条件下,本文方法能够得到较准确的旋转、缩放、平移参量及拼接效果。     

基于SIFT特征匹配的监控图像自动拼接

针对不同摄像头的监控图像,提出了一种优化的SIFT特征匹配的监控图像自动拼接方法。在图像整合方面,通过高速提取SIFT特征描述符并进行稳定精确匹配,利用改进RANSAC算法去除错配,从而确定待拼接图像之间的变换参数;在图像融合方面,有效消除了颜色和光照差异,最终实现自动的无缝拼接系统。实验结果证明该方法对重叠区域小、形变大、有运动遮挡和噪声的监控图像有较完美的拼接效果。     

基于结构相似的RANSAC改进算法

为了减少传统RANSAC（Random Sample Consensus,随机抽样一致性）算法的迭代次数和运行时间,提高算法的速度和精度,提出了一种基于结构相似的RANSAC改进算法。采用BRISK（Binary Robust Invariant Scalable Keypoints）算法提取和描述二进制特征点,用Hamming距离进行特征匹配,获得初始匹配点集,利用结构相似约束剔除误匹配点,得到新的匹配点集,用新的点集作为RANSAC的输入,求出变换矩阵。该算法在初始匹配后进行了匹配点提纯,能快速求得变换模型。实验证明该算法迭代次数和运行时间比传统RANSAC算法明显减少,因此改进的算法在速度和精度上优于传统的RANSAC算法。     

图像匹配中去除误配的对抗性优化方法的改进

将对抗性优化方法用于图像匹配中的去除误配,容易将正确匹配对也移除,尤其是在迭代次数较多的时候。针对该缺陷,限制对抗性优化方法的迭代次数,并增加后续处理过程,以类似随机抽样一致性（RANSAC）的方法来重新估计单应性矩阵。实验结果表明,改进的方法能保留几乎所有正确匹配,并且具有更小的均方根误差。尤其是在计算速度方面,改进的方法比原方法的计算时间缩短了一半以上。     

改进的SIFT算法图像匹配研究

对SIFT(尺度不变特征变换)算法特征描述子维数过高,导致匹配速度过慢、匹配率低等问题,提出了一种分级放射状分区的方法来构建特征描述子,将特征点邻域划分为8个区域,统计各个区域内8个方向的梯度方向直方图,得到64维特征描述子,使特征描述子维数降低50%。同时因马氏距离考虑了特征描述子向量间的相关性,在匹配时用马氏距离双向匹配方法代替欧氏距离进行匹配,并用RANSAC(随机抽样一致性)方法消除误配点。实验结果表明,改进的SIFT算法保留了SIFT算法对模糊、压缩、旋转和缩放等不变性优势,并提高了匹配速度,正确匹配率平均增加10%~15%。     

基于特征点的全自动无缝图像拼接方法

提出了一种基于特征点的全自动无缝图像拼接方法.该方法采用对于尺度具有鲁棒性的SIFT算法进行特征点的提取与匹配,并通过引导互匹配及投票过滤的方法提高特征点的匹配精确度,使用稳健的RANSAC算法求出图像间变换矩阵H的初值并使用LM非线性迭代算法精炼H,最终使用加权平滑算法完成了图像的无缝拼接.整个处理过程完全自动地实现了对一组图像的无缝拼接,克服了传统图像拼接方法在尺度和光照变化条件下的局限性.实验结果验证了方法的有效性.     

基于改进圆形靶的圆心自动提取与排序

针对传统圆形靶不便于相机全自动标定、特征圆圆心提取精度不高以及圆心点阵排序受圆形靶旋转角度影响较大的问题,设计了适用于相机全自动标定的圆形靶,并针对该靶,提出了基于随机抽样一致的最小二乘圆心拟合法和基于向量夹角的圆心点阵顺序排序法。实验结果表明,采用该圆心提取算法,平均拟合误差为0.006?1个像素,相比传统的最小二乘拟合法,精度较高;对于标定靶0°~360°角度的旋转,均能够快速且准确地完成圆心点阵排序,平均排序时间为0.009?6?s,易于实现在线的相机全自动标定。     

基于SURF特征的航空序列图像位置估计算法

视觉传感器在航空无人机导航和定位任务中应用越来越广泛。针对无人机位置参数估计问题,提出了一种基于SURF特征的图像配准算法,该算法能够适应航空序列图像的旋转、尺度变换及噪声干扰,实现无人机位置的精确估计。构建了SURF尺度空间,运用快速Hessian矩阵定位极值点,计算出航空图像的64维SURF特征描述子;基于Hessian矩阵迹完成特征点匹配;使用RANSAC算法剔除出格点,实现位置参数的精确估计。通过航空图像序列实测数据位置估计实验,验证了该算法的有效性。     

基于改进RANSAC算法的单应矩阵鲁棒估计方法

单应矩阵的鲁棒性和精度直接决定了其应用效果,如何利用RANSAC算法估计出鲁棒、精确的单应矩阵,仍是一个有待研究的热点问题。针对传统RANSAC算法迭代次数多、运行时间长、单应矩阵估计精度较低的问题,在SIFT特征匹配算法的基础上,从剔除样本集中不符合图像几何特性的部分外点、快速舍弃不合理单应矩阵和迭代精炼单应矩阵等方面对RANSAC算法进行改进,提出一种基于改进RANSAC算法的单应矩阵估计方法,提高了单应矩阵估计的精度和效率。实验结果表明,该方法有效解决了传统RANSAC算法存在的问题,能够快速、精确估计单应矩阵。另外,对于不同视角和大小的图像,该方法均具有较好的鲁棒性。     

基于SIFT和改进的RANSAC图像配准算法

为解决RANSAC算法迭代次数过多导致图像配准精确率不高的问题,提出了一种改进的RANSAC图像配准算法。首先将参考图像和待配准图像进行NSCT变换分解成低频子带和高频子带。然后对高频子带运用矢量夹角算法和结构相似性（SSIM）来提取图像边缘特征点,对低频子带运用SIFT算法并设定合适的距离阈值来提取特征点。最后利用改进的RANSAC算法提高特征点匹配精度,选择出精匹配点对,实现图像配准。实验结果表明,该算法能有效地找到较多的匹配点对,准确地去除误匹配点对,明显地提高了配准精确度。     

砂轮地貌双目图像特征点提取和匹配研究

特征提取和匹配是双目视觉中的关键点和难点。对SIFT和Harris两种特征点提取算法应用于双目砂轮地貌图像的角点检测进行了研究,通过对SIFT特征采用欧式距离进行匹配,对Harris角点采用零均值归一化互相关算法(ZNCC)进行模板匹配,采用RANSAC算法剔除误匹配特征点对。实验结果表明,SIFT算法在双目砂轮地貌图像上应用较Harris算法效果理想。