改进的基于小波变换的图像配准方法

针对如何提高图像配准的精度和速度的问题,利用基于Fourier-Mellin变换求解水平参量的准确性和基于互信息方法求解旋转及尺度变换参量准确性的优点,提出一种基于Fourier-Mellin和互信息的图像配准金字塔方法。对多幅遥感图像的实例仿真结果表明,该方法能在提高配准精度的同时减少配准时间。     

一种改进的基于深度学习的遥感影像拼接方法

针对遥感影像拼接的两个主要过程：图像配准和点变换,分别进行了深入研究。对遥感影像拼接中的特征点匹配问题,提出了一种利用分层卷积特征进行图像配准的方法。该方法利用卷积神经网络（Convolutional Neural Networks,CNN）自适应地提取特征点的分层卷积特征,通过相关滤波器（Correlation Filter,CF）对不同深度的卷积特征逐层进行相关性分析,进而综合计算特征点的位置。然后对传统的点变换方法进行简化,提出十字点集变换方法。根据配准的特征点计算变换参数,实现遥感影像的拼接。实验结果表明,该方法与传统的基于SIFT（Scale Invariant Feature Transform）的拼接方法相比,精度较高且具有较好的鲁棒性。     

基于矩阵秩估计偏移量的频域超分辨率重建

假设图像频谱是有限波段的,将低分辨率图像混迭的离散傅里叶变换系数与未知场景连续傅里叶变换的相应采样点相联系。利用矩阵相乘描述成像模型中各个元素之间的关系,基于矩阵秩的关系构造目标函数。通过对目标函数进行最小化,可以得到正确的序列图像相对位置关系和连续傅里叶变换的系数,将高精度配准与后期图像重建相结合。实验结果证明,该方法取得了良好效果。     

非均匀采样信号的频谱分析及信号处理系统

非均匀采样由于具有不受采样频率限制、频率分辨率高以及抗混叠等优点,应用十分广泛。推导出非均匀采样信号的离散傅里叶变换方法,分析了采样时钟抖动对非均匀离散傅里叶变换的影响,并给出仿真结果。研制了基于数字信号处理器和可编程逻辑器件的非均匀采样系统,以此为硬件平台,实现了非均匀采样信号的频谱分析。理论和实验结果表明,非均匀采样系统和频谱分析方法是有效实用的。     

基于主方向傅里叶变换算子的2D/3D分级配准

目前的2D/3D医学图像配准方法的配准精度和效率存在矛盾,配准捕获范围小.为解决这些问题,本文提出一种基于主方向傅里叶变换算子的分级配准方法.首先,提出平面旋转平移不变性算子——主方向傅里叶变换算子.然后,提出基于主方向傅里叶变换算子的模板匹配初始化方法,可避免接近真值的初值需求,并显著扩大了捕获范围.最后,提出基于主方向傅里叶变换算子的分级配准框架,将配准搜索空间从O(n6)降到O(n2),在保证配准精度的情况下大幅提高配准效率.在配准实验中,本文方法的配准精度为0.68 mm±0.28 mm,配准时间为16.87 s±3.77 s,捕获范围大于100 mm.因此,所提出的基于主方向傅里叶变换算子的分级配准方法可以满足2D/3D图像配准在相关临床应用中精度、效率及捕获范围的需求.     

基于改进的曲线傅里叶变换图像配准研究

研究图像配准精确度优化提高问题.图像配准技术一直被广泛应用在医学图像和遥感图像领域中.但由于同一目标不同信息来源的图像之间存在差异,配准造成图像不清晰.传统的图像配准算法效率和精度较低,特别是传统算法的计算复杂度高.为了解决上述问题,提出了一种将改进的曲线傅里叶变换图像配准算法,有效结合了最大熵算法和傅里叶变换算法,采用傅里叶变换算法对图像中感兴趣的区域进行分割,对各个分割区域特点进行描述并组成一定的结构,然后用最大熵算法进行权值训练,从而得到精准的图像配准结果.仿真结果表明,改进的算法有效的提高了图像配准的精确度,验证了改进算法是一种可行性有效的图像配准方法.     

抗混叠轮廓波变换的脱线中文手写体笔迹识别

为了进一步提高脱线中文手写体笔迹识别的正确率,提出了一种基于抗混叠轮廓波变换的特征提取算法。抗混叠轮廓波变换不仅具有轮廓波变换的多尺度、多方向特性,同时克服了轮廓波变换中频谱混叠的现象,避免了重构图像出现“划痕”现象。实验结果证明,抗混叠轮廓波变换的GGD模型与使用单小波、复小波、轮廓波变换的GGD模型方法比较,识别正确率分别提高了23.5%、7.7%、2.5%。     

新的眼底图像配准方法的研究

针对传统的基于特征的眼底图像配准方法配准精度不高的问题,提出了一种新的眼底图像配准方法。通过具有仿射不变性的尺度不变特征变换（Scale Invariance Feature Transform,SIFT）方法提取待配准图像的特征点匹配对。采用适合眼底图像特点的曲面变换模型,实现图像的配准,变换模型参数通过M估计获得。实验结果表明,该算法提高了配准精度,对正常眼和非正常眼的眼底图像配准都是有效的。     

基于VoxelMorph的可见光和红外遥感影像配准

由于可见光和红外的成像机理、成像波段不同,获取的遥感影像之间存在复杂的非线性辐射畸变,传统的配准方法难以实现两者的高精度配准。本文提出一种基于VoxelMorph的可见光和红外遥感影像配准方法,利用卷积神经网络对可见光和红外异源图像进行分步的精细化形变场计算,从而实现快速高精度配准。将可见光图像作为参考图像,利用U-Net网络计算待配准红外图像和参考（可见光）图像的形变场,实现全局对齐的仿射变换,然后通过空间转换网络进一步实现更高自由度变形。采用WHU-OPT-SAR数据集的实验结果表明,与基于尺度不变特征变换（SIFT）算法的传统配准方法相比,本文提出的基于VoxelMorph配准方法可以获得更好的配准效果,验证了基于VoxelMorph的配准方法在多源遥感影像领域的有效性。     

高分辨率SAR影像同名点自动匹配技术

由于SAR工作原理跟光学遥感成像技术截然不同，而经典同名点匹配方法已不能完全满足SAR自动配准需要。为了快速有效地进行SAR影像配准，基于SAR影像自动配准技术的发展，提出了一种新颖的高分辨率SAR影像同名点自动匹配算法，该算法首先创建金字塔影像，同时在金字塔影像上回溯搜索，以确定初始变换函数类型及相应的变换参数；然后通过分层回溯逐层加密控制点来解求最佳变换函数类型及相应变换参数；最后在原始影像分辨率下修正同名点坐标，以获取最终匹配同名点对。这种分层回溯策略不仅很好地解决了同名点搜索计算复杂度问题，使获取的同名点对分布更趋均匀、精度更高，而且能确保每层变换函数达到全局最小二乘最优。另外，以高分辨率SAR影像为实验数据进行的实验结果表明，该同名点搜索算法不仅计算时间可由221s缩短至34s，而且可达到0．284636 pixels的配准精度。     

基于特征量积与PCA的小波遥感图像融合

在遥感图像融合中,传统PCA算法会损失部分有用信息,从而使得融合结果的光谱分辨率受到较大影响,针对这种情况,借助小波变换优良的时频分析特性,利用特征量积来融合多光谱图像的第一主成分,实现了一种基于特征量积与PCA的小波遥感图像融合算法。通过对来自不同场景不同卫星的多光谱和全色图像进行融合实验,结果表明,该算法无论在主观视觉还是在客观统计数据上,均具有比其他方法较佳的融合效果。     

基于SIFT和NCC的多源遥感影像配准方法

针对多源遥感影像的配准,提出了一种结合SIFT算法和归一化互相关（NCC）匹配算法的配准方法。该方法采用SIFT算法提取特征点并进行匹配得到一定数量的特征点对后,利用SIFT特征点的尺度和方向信息对NCC进行改进,进一步从未能匹配的特征点中获取匹配点对,经粗差滤除后得到有效的匹配特征点对,随之进行影像配准。方法结合了SIFT算法和NCC算法的优点,解决了多源遥感影像因辐射差异和几何差异造成的难以正确配准的问题。实验结果表明,算法具有较强的鲁棒性,并取得了较好的配准精度。     

基于Fourier-Mellin变换的图像配准方法及应用拓展

从两个方面拓展了基于Fourier—Mellin变换的图像配准方法的应用范围．首先是全景图像的拼接．不同于传统的方法,该方法不需要准确控制相机的运动,小需要知道相机的焦距等内部参数．也不需要检测图像特征,在配准精度要求不是很高的情况下,直接生成的全景图像可以满足很多实际应用的需要;同时,实验也表明,该方法应用于弱透视图像的配准．也具有很好的配准效果．另一个拓展是图像曲线的匹配．传统的曲线匹配方法一般通过曲线特征点（如角点、曲率极值点等）之间的对应求得曲线间的变换参数．一种新的思想是先将图像曲线转化为二值图像,然后应用Fourier—Mellin变换对这些二值图像进行配准,从而达到对两条曲线的匹配．大量实验表明,该方法对射影畸变不是十分显著且摄像机为一般运动下获得的图像之间的配准问题（如手持数码相机获取的图像之间的配准问题）均能取得比较好的配准效果．     

图像多尺度配准的小波域SURF算法

针对SURF描述子仅利用特征点的局部邻域信息而对于局部场景发生变化的图像容易产生误匹配的现象,提出了图像多尺度配准的小波域SURF算法。该方法对图像进行小波分解,利用低分辨率上得到的变换参数剔除高分辨率上的错误匹配,得到精确匹配点对,对图像进行配准。实验结果表明,该方法能有效地剔除误匹配点,提高图像配准的精度。     

航空遥感图像拼接算法及其精度评价

针对航空遥感成像范围小、视差角大的特点,提出一种航空遥感图像拼接算法。通过估算图像相对方位矩阵,使用透视变换实现图像校正,解决大视差角下的畸变问题。利用SIFT算法和基于概率密度的错误匹配点剔除方法,实现高精度图像配准,并通过小波变换完成图像融合工作。实验结果表明,在不同地表情况下,该算法的拼接性能均优于传统SIFT算法。     

基于平面激光测量的移动机器人自定位方法

提出了两种基于平面激光测量的移动机器人自定位方法. 第一种方法是改进的Hough 密度谱的方法, 它的主要优点是避免了现有方法Hough 变换离散化过程中的信息损失问题，提高了算法的精度和鲁棒性. 该方法在引进一种新的Hough 密度谱的基础上，根据谱相关函数值和运动参数的密度得到机器人运动参数的候选值，并应用Hausdor 相似性度量从候选值确定运动参数的最终估计. 第二种方法是基于Fourier-Mellin 变换的方法，主要利用Fourier 变换的位移理论和Fourier-Mellin不变量来估计运动参数. 为了避免图像离散化造成的信息损失，在该方法中使用基于Hausdor 距离的最近点迭代(ICP) 算法来进一步精化平移向量. 实验结果表明，这两种方法均可有效地提高机器人的定位精度，具有一定的实际应用价值.     

基于SIFT的遥感图像配准方法

针对多传感器遥感图像配准问题,改进了一种基于SIFT的图像自动配准方法.首先提取图像中适应尺度变化的局部不变特征点,提出了利用最近邻特征点距离与次近邻特征点距离之比的互对应约束得到初始匹配点对,然后利用RANSAC(Random Sample Concensus)算法删除误匹配特征点对.试验结果表明:该方法能够实现多传感器遥感图像和不同分辨率图像的自动配准.     

一种基于学习的自动图像配准检验方法

图像配准是众多具体应用的共性核心技术, 如图像融合, 变化检测等. 然而, 当参考图像经过变换后, 如何自动地确定变换后的图像是否与目标图像真正达到了配准仍然是目前文献中一个尚未很好解决的问题. 究其原因, 主要是很难找到一种图像相似性的度量方法来有效地对配准后的图像进行评价. 不同于传统的方法, 本文提出了一种基于学习的相似性度量方法, 即将图像配准的度量问题转化为模式分类问题, 由基于机器学习设计的分类器自动检验图像是否配准. 本文对 400 组图像进行了配准检验, 实验结果显示了该方法的可行性和可靠性. 尽管本文方法的具体实现是针对基于 Fourier-Mellin 变换的配准算法, 但这种基于学习的图像配准检验思想同样可以应用到其他配准方法中.