一种快速稳健的图像配准算法

本文对图像配准问题进行了研究,提出了一种快速、稳健的基于特征点匹配的配准算法。采用小波变换建立图像金字塔,从分辨率最低的图像层开始进行特征点匹配,在次一层匹配时以上层匹配结果为粗值,在原始图像上得到初始匹配点后采用RANSAC算法稳健估计变换矩阵H;为了提高配准算法的精度,采用变换矩阵H引导两幅原始图像上的所有特征点重新进行匹配,对得到的匹配点集重新用RANSAC算法估计变换矩阵,并采用LM非线性优化算法进一步优化。通过实验分析对比,本文的算法比原算法速度更快,更稳健。     

基于SIFT特征和对极几何约束的图像配准算法

基于SIFT（尺度不变特征变换）特征匹配思想,提出了一种应用对极几何约束的图像特征配准算法。首先对图像提取SIFT特征点,然后通过欧氏距离估算对SIFT特征描述子进行初始匹配得到预匹配点集;采用基于单应矩阵的抽样算法计算初始基础矩阵,通过RANSAC算法计算精确的基础矩阵和匹配点集,进而实现图像配准。实验表明,该算法可以获得更准确的匹配点,得到精度较高的图像配准效果。     

基于特征点的伪匹配点去除算法

基于特征点的图像配准中伪匹配点的存在影响变换矩阵的计算精度,容易造成图像配准失败.根据SIFT特征匹配中存在的伪匹配点,提出一种伪匹配点去除算法.两幅待配准图像的正确匹配点在坐标位置上有差值相似性,伪匹配点的坐标差值与正确匹配点的坐标差值差异大,利用这种坐标差值的波动对伪匹配点进行去除.实验结果表明,待配准图像中的伪匹配点得到了有效去除,与RANSAC算法相比,时间复杂度大幅减小.     

一种基于SURF的全景图像配准算法

传统的全景图像配准多采用基于SIFT的方法,该方法数据量大、时间效率低。提出了一种基于SURF的全景图像快速配准方法。运用SURF提取特征点,计算特征描述符;运用低时间复杂度的K-D树最近邻搜索法实现特征点快速匹配;利用RANSAC算法剔除误匹配点;最后估计出两幅全景图像的变换矩阵。测试表明:算法具有较高的时间效率和良好的鲁棒性。     

基于NSST的多尺度SURF异源图像配准算法

针对To F与可见光异源图像配准效果不佳的问题,提出一种基于非下采样剪切波和尺度不变特征变换改进的异源图像配准算法。首先将To F和可见光图像分解为多尺度图像；然后以多尺度图像和原图像为基础,使用Sift算法进行特征点提取,将提取的特征点进行统一的粗匹配,最后使用RANSAC算法对匹配特征点提纯,进一步筛选特征点,完成配准。实验结果表明,该算法具有较强的鲁棒性。     

基于ZM相特征描述符的图像配准方法

针对图像特征间的视角、模糊、旋转和尺度变换以及噪声干扰等不确定性因素对图像配准精度的影响,定义了基于Zernike矩的相特征不变区域描述符,给出了Zernike矩的归一化及其相值度量方法,提出了一种基于此的图像配准算法。通过对比实验验证,本文算法能够有效提取目标图像特征点并准确进行特征匹配,且在保障配准精度的前提下显著降低了算法复杂度。     

基于图像深度信息的尺度不变特征变换算法误匹配点对剔除

特征点匹配是基于特征点的图像配准技术中的一个重要环节。针对现有基于尺度不变特征变换(SIFT）图像配准技术特征点匹配不理想,也无法较客观、快速地筛选正确匹配点对的问题,提出结合图像深度信息进行特征点误匹配筛选剔除的方法。该算法首先根据模糊聚焦线索和机器学习算法估计出待配准图像的深度信息图,再提取SIFT特征点,并在特征点匹配环节利用随机抽样一致性(RANSAC)算法迭代循环,结合深度局部连续性的原理来进一步提高匹配精度。实验结果表明,该算法具有很好的误匹配点对剔除功能。     

基于FPFH-ICP的三维工件点云配准方法研究

针对三维工件点云配准方法存在配准精度低等问题,笔者提出一种基于快速点特征直方图（Fast Point Feature Histogram,FPFH）初始匹配与迭代最近点（Iterative Closest Point,ICP）的点云配准方法。首先,在配准前使用随机抽样一致（Random Sample Consensus,RANSAC）算法对初始点云数据进行预处理,获得目标点云数据;其次,使用FPFH算法提取点云特征,进行特征匹配,求得初始变换矩阵;再次,使用ICP算法对初始变换矩阵进行增益,求得最终变换矩阵;最后,完成点云精确配准。基于三维工件点云,将本文算法与经典算法对比测试。实验结果表明,本文算法在配准精度上有所提高。     

基于角点特征的自动图像配准

针对图像配准对时间和精度的需求,本文提出适用于角点特征的配准算法：提取两幅图像的角点构造三角形,计算三角形的角度,寻找两幅图像对应的相似三角形,用三角形的顶点坐标求得仿射变换系数,参考图像进行仿射变换,与待配准图像比较相似性,最大相似性对应的变换图像为配准结果。引入强角点和Harris角点对该算法进行验证。与Fourier-Mellin和基于RANSAC寻找匹配点对角点配准算法比较,实验数据表明该算法的快速准确,并具有一定的抗噪性。     

基于SIFT与Contourlet变换的高分辨遥感图像配准

针对高分辨遥感图像特征量较多的情况,提出一种基于SIFT与Contourlet变换相结合的图像配准算法。首先将图像进行Contourlet变换分解成低频和高频子带,对高频子带通过设定合适的阈值来提取图像边缘特征点,对低频子带进行SIFT特征点提取。将两者提取到的特征点分别匹配后得到粗匹配点对,利用随机抽样一致性(RANSAC)选择出精匹配点对,实现图像配准。实验表明:在多源遥感图像配准过程中,与基于非采样Contourlet变换(NSCT)和基于SIFT特征提取相比,该算法能够更准确地提取到特征点,具有更高的运算效率以及匹配率。