基于稀疏随机投影的SIFT医学图像配准算法

针对尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)算法在关键点特征描述向量阶段计算复杂并且维数较高的现象,提出了一种基于压缩感知理论的SIFT算法。通过压缩感知理论的稀疏特征表示方法,对SIFT关键点特征向量进行提取,将高维梯度导数向量降到低维的稀疏特征向量,降低了关键点描述向量维度。采用欧式距离作为关键点的相似性度量, Best-Bin-First(BBF)数据结构避免穷举,使数据的运算量大为减少。实验结果表明,新算法对存在仿射变换的医学图像配准性能优于传统SIFT算法,与当前改进型的SIFT算法相比,本文算法的实时性明显增强。     

基于LDA的SIFT算法在图像配准中的应用

针对SIFT算法复杂程度高,实时性差,在维数较高的图像配准中并不实用的问题,提出了一种基于线性鉴别分析(LDA)的SIFT算法(SIFT-LDA)。首先利用SIFT算法提取出图像的特征点向量,然后用LDA方法对其进行特征抽取并降维。通过高维自然图像和单幅人脸图像进行实验,实验结果表明SIFT-LDA算法在保证匹配精度的同时,实时性要优于传统的SIFT算法,其匹配时间相对于传统SIFT算法缩短了将近一半。     

基于改进SIFT算法的多源遥感影像配准研究

提出了一种新的基于SIFT(scale invari-ant features transform)算法的遥感图像配准算法.首先用Harris角点检测法代替了传统SIFT算法中的图像特征检测方法,再采用SIFT算法中的特征描述对图像特征进行描述,最后在参考图像上确定搜索范围,利用两幅图像之间的相关系数建立一对一的匹配关...     

SIFT改进算法在图像配准中的应用

文中对尺度不变特征变换(SIFT)算法进行分析研究,针对原算法中128维的高维描述子提出60维方形邻域描述子,统计邻域梯度信息.方形邻域描述子较原算法增加了邻域像素统计范围,增强了关键点的邻域信息;在配准阶段采用欧氏距离作为度量函数,用次临近与最邻近之比来对60维描述子进行匹配.通过实验证实,改进算法的匹配时间是原算法的30%～60%,配准精度与原算法相近,对于复杂图像的配准精度较原算法有所提高,适用于对实时性要求较高的图像配准场合.     

融入曲率尺度空间算法的图像配准方法

为了满足图像配准对于实时性的要求,提出融入曲率尺度空间算法的图像配准方法。首先使用曲率尺度空间算法提取图像角点特征,然后使用改进的加速稳健特征算法生成64维角点特征描述子向量并将描述子向量降维到24维,最后使用改进的相似性距离算法和随机采样一致性算法进行匹配。仿真实验一表明:在图像配准准确度方面与传统尺度不变特征变换算法、传统加速稳健特征算法及其他改进的图像配准方法相当,但在图像配准实时性方面具有一定的优势,仿真实验二通过立体匹配库验证了该方法具有普遍有效性。     

基于ISS-3DSC的NDT三维点云配准算法研究

工件形貌的三维扫描需求在车间自动化装备中越来越多,其中点云配准作为三维数据处理的重要步骤。现有三维点云配准存在特征点对误配、配准时间长、配准精度差等问题,提出了一种基于内部形状描述子-三维形状上下文特征(ISS-3DSC)的NDT三维点云配准算法。首先通过内部形状描述子(ISS)算法提取三维点云关键点,提高配准效率;然后结合三维形状上下文特征(3DSC)进行关键点的特征描述,并根据特征点对中值距离法剔除错误点对,采用SVD分解计算初始变换矩阵;最后使用NDT算法完成精配准。测试实验结果表明：算法在鞋面、鞋底点云数据配准时的精度可达到0.025 cm,相比传统SAC-IA+NDT算法配准效率提升明显,具有一定的工程应用价值。     

一种CSS-SIFT复合图像配准算法

针对SIFT算法的图像配准耗时长的问题,提出一种CSS-SIFT复合图像配准算法.CSS-SIFT算法首先使用CSS算法检测图像特征,然后,使用优化的SIFT算法生成并降维图像特征描述子,最后,使用基于欧式距离和曼哈顿距离的优化双向匹配算法对图像特征进行匹配.仿真实验条件是通过计算机中仿真软件进行仿真实验,统计图像特征...     

基于3DSIFT和BSHOT特征的点云配准方法

针对点云配准过程中易产生错误匹配点、配准时间长、配准精度低等问题。提出了基于三维尺度不变特征变换(3DSIFT)关键点检测方法,结合二进制方向直方图描述子(BSHOT)构建点云匹配对的配准方法。该方法首先利用差分高斯模型在三维尺度空间上检测SIFT关键点,其次在关键点的邻域构建局部坐标系来计算SHOT描述子,并将SHOT描述子转化为二进制描述符。然后利用随机采样一致性算法去除误匹配的点云,初步估计点云的变换矩阵。最后在精配准上利用ICP算法估计最优的变换矩阵。在数据集的实验中验证了本文算法的快速性,同时在两个点云重叠率较低时,配准精度较高。     

基于Harris-SIFT特征匹配的图像自动配准算法研究

为解决目前大多图像配准算法存在匹配精度低、实时性差的问题,本文提出了一种基于区域分块提取特征点的自动配准算法。该算法结合了Harris算子与SIFT(Scale-Invariant Feature Transform)算子的优点,先用Harris算子快速提取角点作为图像原始特征点,然后利用SIFT算子的特征描述方法对原始特征点进行描述,获得具有尺度不变性的特征点描述符,最后通过欧氏距离确定匹配点对进行图像配准。实验结果表明,该算法保留了Harris算子和SIFT算子的优点,减少了经典SIF算法提取极值点的时间,并且具有良好的鲁棒性、尺度不变性。本文针对200幅图像进行测验,当发生平移、旋转或缩放变换时,两幅图像间的匹配正确率高达95%。结果表明该算法能高效、高精度的实现图像配准。     

基于迭代更新的SIFT遥感图像配准算法

由于多光谱遥感图像之间存在复杂辐射差异，造成全色图像与其他波段图像通过尺度不变特征变换(Scale-Invariant Feature Transform, SIFT)算法进行图像配准时无法保证配准精度。针对这一问题，提出一种基于迭代更新策略的SIFT算法。该算法通过SIFT算法获取同名点，迭代更新求解单应性矩阵，获得基准图像与待配准图像之间的最优单应性矩阵实现图像配准。为验证所提方法的有效性和鲁棒性，在网通一号和高分二号遥感影像上进行了图像配准实验，实验结果表明，所提方法不仅可实现高精度的图像配准，还可以有效提升SIFT算法应对遥感图像辐射差异的鲁棒性。     

基于自适应非极大值抑制的SIFT改进算法

针对图像配准中尺度不变特征变换（SIFT）算法解算速率慢的问题,提出了基于非极大值抑制的改进算法。该算法扩大了极值检测区域半径,对SIFT关键点进行筛选,实现了关键点的优化分布。还提出一种自适应确定检测区域半径的方法,来更精确地控制关键点的数目和分布。仿真试验结果表明,该算法能在一系列不同的图像变换下表现出稳定的配准结果,解算速率较标准SIFT算法提升显著。     

一种基于改进SIFT算法的图像配准方法

给出一种改进的SIFT算法,并将该算法应用到图像配准中.首先,该改进算法结合Canny算子,去除影响匹配的边缘点.然后采用最近邻与次近邻之比来对96维描述子进行匹配.最后,采用随机抽样一致性(RANSAC)方法消除误匹配.实验结果表明,与原SIFT算法相比,该算法能够有效提高图像配准确度,并减少了10%左右的运算时间.     

一种基于2D和3DSIFT特征级融合的一般物体识别算法

如何选择合适的特征表示一般物体类间差异和类内共性至关重要,因此,本文在2D SIFT(Scale Invariant Feature Transform,SIFT)的基础上,提出了基于点云模型的3D SIFT特征描述子,进而提出一种基于2D和3D SIFT特征级融合的一般物体识别算法.分别提取物体2维图像和3维点云的2D和3D SIFT特征描述子,利用"词袋"(Bag of Words,BoW)模型得到物体特征向量,根据特征级融合将两个特征向量进行融合实现物体描述,运用有监督分类器支持向量机(Support Vector Machine,SVM)实现分类识别,给出最终识别结果.最后,实验验证了本文提出算法的好处.     

三维点云中关键点的配准与优化算法

传统三维(3D)点云配准过程中存在配准误差高、计算量大及耗时长等问题,针对该问题,提出了一种3D点云中关键点的配准与优化算法。在关键点选取阶段,用边缘点检测算法剔除边缘关键点,以提高关键点特征描述的全面性和重复性,降低3D点云配准误差。在3D点云配准阶段,用K-维树(KD-tree)加速的最近邻算法和迭代最近点算法剔除粗配准结果中的误配准关键点,降低配准误差,提高3D点云配准的速度与精度。实验结果表明,本算法在不同点云数据下,均能获得良好的配准结果。与传统3D点云配准算法相比,本算法的平均配准速率提高了68.725%,平均配准精度提高了49.65%。     

基于矩阵恢复的红外偏振图像快速配准算法研究

针对矩阵恢复用于红外偏振图像配准,速度较慢的劣势,提出了一种用于单幅图像快速配准的算法。选取上一次对相同背景图像配准后,得到的一列低秩向量为已知条件,将目标函数减少为求稀疏矩阵的1范数,通过迭代更新得到单幅相同场景下,目标存在一定变化或偏移的图像的配准参数,明显提高了配准的速度。实验结果表明,该算法配准变换参数误差小于0.02像素,单幅图像配准仅需3.31 s,且对噪声不敏感。     

点云多法向量邻域特征配准算法

针对三维激光扫描点云数据的配准问题,提出了 一种多法向量邻域特征点云配准算法。首先,根据目标点选取不同邻 域半径估算的法向量存在方向偏差,设定约束条件选择关键点,使得初始点云数据量得到精 简;其次,设计了一种依据邻域多 法向量计算的特征描述子,并计算所有关键点的特征向量;然后,依据所求的特征描 述子,使用最小距离与次小距离比值阈 值方法初步获取对应关系,并使用随机采样一致性算法和聚类分选方法进行两次优化,得到 精确的点与点对应关系;最后,使 用奇异值分解法解算刚体变换矩阵,得到配准参数。实验结果表明,由本文设计的关键点选 取、特征描述子提取和对应关系筛选 方法原理简单、稳定可靠、计算速度较快且计算复杂度小,无需进行第二次配准,对实现点 云配准具有实用价值。     

基于矩阵恢复的红外偏振图像分区配准算法

由于红外偏振图像具有灰度分布差别大、特征信息不明显等特点,传统区域或特征的配准算法精度难以满足红外偏振信息解析要求。从图像间相似性出发,以矩阵秩作为图像相似性的度量,提出了一种基于矩阵恢复的红外偏振图像分区配准算法。将一组待配准图像组成变化矩阵,并分解成低秩和稀疏两部分。以低秩变换矩阵核范数与稀疏变换矩阵1范数的和为目标函数,利用增广拉格朗日乘子法求得目标函数值最小时的各区域变换参数,加权平均后得到图像组的配准结果。实验结果表明,该算法配准变换参数误差小于0.02 pixel,且对噪声不敏感。     

基于KPCA-SIFT描述符的图像配准

SIFT描述符是一种鲁棒的局部特征描述符,利用核主成分分析的特征提取方法,对每个特征点的SIFT特征进行降维处理.核主成分分析采用非线性方法提取主成分,是主成分分析的改进算法.本文描述了一种基于KPCA-SIFT描述符的高精度图像配准算法,通过对KPCA-SIFT特征的相似性度量得到匹配点对,再根据这些匹配点对对图像进行配准.实验结果表明,KPCA-SIFT特征精确、稳定、可靠,可以得到高精度的配准.     

基于增强MSER和Harris-Laplace互补不变特征的遥感图像配准

针对具有倾斜的遥感图像的自动配准问题,提出一种增强自动配准方法。该方法首先应用最大极值稳定区域(Maximally Stable Extremal Regions,MESR)特征的仿射不变性结合匹配能力较强的SIFT(Scale Invariant Feature Transformation,SIFT)描述子进行粗匹配,初步校正倾斜图像的空间变换;然后利用Harris-Laplace(H-L)在图像旋转、光照变化条件下能最稳定的提取2维平面特征点和在3维尺度空间中能最稳定高效地提取特征点的特性结合随机一致性检验(Random Sample Consensus,RANSAC)方法进行精匹配。通过实验分析证明,与SIFT配准方法相比该方法能够对倾斜的遥感图像实现更精确的自动配准。     

基于改进SIFT算法的单目SLAM图像匹配方法

基于单目视觉的机器人同步定位与地图创建(SLAM)方法是实现机器人自主行走的重要研究方向之一,而图像特征匹配技术是该方法中的关键技术。基于尺度不变特征变换(SIFT)算法的SLAM匹配方法具有提取特征点数量丰富、稳定等优点,然而在速度以及正确率方面仍存在一些不足。因此针对SIFT算法描述子维数高、匹配时间长等问题,提出了一种改进的SIFT算法,将原128维的特征描述子降至内部矩形外部圆形的24维特征描述子,匹配过程中应用了三线性插值、RANSAC算法等对匹配结果去除误匹配。实验结果最终表明,改进后的SIFT算法不仅对角度变化、光照变化等情况均具有良好的鲁棒性,匹配速度和正确率也有显著提升,可满足实时SLAM同步地图构建的需要。