一种基于PBIL算法的快速图像匹配方法

为了解决图像匹配过程中计算速度慢和匹配精度不高的缺陷,提出了一种基于群体增量学习算法的匹配方法。PBIL算法是一种基于概率分析的进化算法。它集成了基于函数优化的遗传搜索和竞争学习两种策略,将进化过程视为学习过程,通过竞争学习所获得知识来修正生成概率,进而指导后代的生成。在实验中,将其与传统序贯相似性检测算法(SSDA)和遗传算法进行了比较。结果表明基于该算法的图像匹配具有运算速度快、匹配精确等优点,且收敛过程非常稳定。     

基于一种快速鲁棒特征描述子的图像匹配

基于一种快速鲁棒特征描述子进行图像特征点之间的匹配。此方法基于积分图像,使用快速Hessian检测子来提取图像特征点。对每个特征点,通过计算Haar小波,来寻找它的主方向。然后构造窗口区域,以主方向和与主方向垂直的方向上的小波和来描述特征点。最后以特征描述向量的距离为标准寻找不同图像之间的特征匹配。     

一种基于快速鲁棒特征的图像匹配算法

针对传统的图像特征匹配算法数据量大、计算耗时长的缺点,本文提出了一种基于快速鲁棒特征(SURF)的图像配准算法。SURF算法作为一种新的特征提取算法,在独特性、鲁棒性等方面均超过了其它方法,并在计算效率上具有明显的优势。该算法在积分图像的基础上进行快速计算,通过快速Hessian检测子来检测特征点。对于每个特征点,通过计算哈尔小波变换来确定特征点的主方向,并确定特征描述子,再根据Hessian矩阵迹的正负性和最近邻与次近邻比值的方法相结合获取匹配点,并用改进的RANSAC算法剔除伪匹配点以确保匹配的有效性。实验表明,该算法既能满足匹配准确性的要求,又具有计算量小、计算速度快的优点。     

一种基于成像光路的图像匹配技术

图像匹配是计算机视觉领域的一个关键技术。针对图像匹配过程中特征提取运算量大、速度慢、匹配精度低的问题,提出一种基于成像光路的图像匹配技术。建立一种基于双目视觉的摄像机模型,根据该摄像机模型的成像光路确定摄像机视场交汇的几何模型,由几何关系估算出两幅图像中可能存在图像重叠的最大区域,再采用传统的特征匹配算法在该区域内实现图像的特征匹配。实验结果表明,相较于在整幅图像中提取特征点进行匹配,该方法能有效地提高匹配的速度,降低误匹配的发生几率。     

一种基于群智能算法的图像匹配算法

图像匹配是图像处理技术中的重要研究领域,也是图像融合的基础。现有的图像匹配方法存在匹配速度慢、匹配精度低等问题。为了提高匹配效率,笔者采用群智能算法作为搜索策略搜索最优参数,提出了一种基于群智能算法的图像匹配算法。基于此,介绍了图像匹配的三个基本要素、分类以及性能评价指标,阐述了布谷鸟算法,并利用布谷鸟算法改进了原有的匹配算法。实验结果证明,基于群智能算法的图像匹配算法合理有效。     

融合边缘信息和扩展邻域的异源图像匹配

针对可见光图像和红外图像的匹配问题，提出一种基于边缘信息的Harris-SIFT匹配算法。匹配过程中，对红外图像进行Retinex边缘增强，再分别对可见光图像和处理后的红外图像进行双边滤波预处理，以增强两类图像边缘结构的相似度。采用Sobel算子提取图像边缘信息，并基于Harris-SIFT算法对边缘信息进行特征点检测和描述，再分别通过最近邻和次近邻比值法，以及RANSAC算法完成粗匹配和精匹配。在精匹配的基础上，通过快速校验边缘图像中匹配点对在扩展邻域内的结构特征一致性，检测并筛除部分误匹配点对，从而进一步提高匹配精度。通过采用多幅图像进行实验，处理结果表明，该算法能够有效改善可见光图像与红外图像的匹配效果。     

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。     

基于NCC的改进立体匹配算法

在双目立体视觉系统中,图像匹配是关键步骤之一。在众多匹配算法中,归一化互相关(NCC)算法由于具有精度高、鲁棒性强等优点得到广泛应用,但其计算量大、运算速度较慢,使其难以在线应用。为此,本文提出一种改进的NCC立体匹配算法,通过引入积分图像和平方积分图像,将矩形窗口区域像素求和运算转化为四个像素点值的简单相加减,同时剔除基准图像中无法匹配区域以减小搜索范围,使计算复杂度得到简化,计算量大为降低。实验证明,改进后的NCC算法在保证匹配质量的基础上,执行速度得到显著提高,利于在线应用。     

基于点特征的序列图像匹配方法研究

提出了用3个向量描述Harris角点方向特征的方法,该算法首先用Harris角点检测得到特征点,并把SIFT算法中使用的特征描述方法引入到特征点描述中;然后利用欧氏距离对点特征进行匹配;提出一种简单高效的排除错误匹配的方法。该算法对数字城市中序列图像匹配具有光照强度、平移、旋转不变性。实验结果表明,该算法匹配准确率较高,具有实用价值。     

基于有限邻域EMD和小波分析的图像边缘检测

提出了一种基于有限邻域EMD(Neighborhood Limited Empirical Mode Decomposition)与小波分析相结合的图像边缘检测方法。首先将图像信号进行有限邻域EMD分解,将其分解成n个IMF(Intrinsic Mode Function)函数,再对每个IMF函数进行小波变换。将该方法应用于图像的边缘提取,较好地得到了图像的边缘信息。     

基于小波变换的图像边缘检测匹配算法

小波变换能够获取信号的时频局部化特征,可作为一种有效的图像边缘检测工具。本文提出一种基于二维小波变换的图像边缘检测方法。首先对图像分别做两方向的小波变换,进而得到二维小波变换的幅值和梯度,然后利用非极大值抑制方法检测二维小波变换的模极值点作为图像的边缘点,最后利用Hausdorff算法实现模板边缘与实时图边缘之间的匹配。仿真试验表明本文所提出算法的有效性。     

多尺度形态学图像边缘检测方法

在深入地探讨数学形态学在边缘检测领域中的应用的基础上,提出了一种形态边缘检测算子,并用该算子提取图像边缘。然后进行形态结构元素尺度调整,综合各尺度下的边缘特征,得到了噪声存在条件下较为理想的图像边缘,实验证明了该算法的可行性和有效性。     

基于主色调匹配的图像检索方法

在基于内容的图像检索中，颜色作为图像的一种重要视觉信息已得到广泛应用。主色调可以反映一幅图像的基本面貌，其实质就是用较少的颜色来表示原图像，并且在视觉上与原图像相似。由此，利用人眼对颜色的感知进行相似色区间的划分，从而实现对颜色的量化，并利用量化后得到的图像直方图进行图像的相似度匹配，取得了满意的实验效果。     

基于SNN核的景象匹配算法

提出一种基于核方法的下视等分辨率景象匹配算法. 通过模拟电荷吸引模型, 提出了计算不等维高维数据相似度的SNN核函数. 将图像中的特征点映射到径向基向量(Radial basis vector, RBV)空间, 利用SNN核函数计算两个特征点集的相似度及过渡矩阵. 利用置换测试模块来增强SNN核的稳定性, 以确保输出解的可靠性. 实验证明, 基于SNN核的景象匹配算法对图象畸变、噪声干扰与信号缺失具有很强的鲁棒性, 并可保证高精度与高实时性.     

一种基于主色调匹配的图像检索方法

在基于内容的图像检索中，颜色作为图像的一种重要视觉信息已得到广泛的应用，主色调可以反映一幅图像的基本面貌，其实质就是用较少的颜色来表示原图像，并且在视觉上与原图像相似，由此，在均匀颜色空间中利用聚类分析的方法将色彩聚类为几种主要颜色，从而实现对颜色的量化，并利用直方图表示主色信息，最后采用直方图交叉算法进行图像的相似度匹配，取得了满意的实验效果。     

一种基于加权投票的图像匹配改进方法

在谱匹配方法中,谱分解耗时较长,且图像匹配方法的效果欠佳.为此,提出一种基于加权投票的图像匹配改进方法.建立特征点候选匹配之间的亲邻矩阵,每个候选匹配以一定的权重对其他候选匹配进行投票和接收投票,通过简单的数学运算和排序操作确定最优匹配.实验结果表明,引入投票权重可改善基于加权投票图像匹配方法的匹配效果,并能保持较短的运行时间.     

一种基于边缘图像融合的图像边缘检测方法

边缘检测是图像处理、模式识别和计算机视觉领域的重要内容．传统边缘检测方法的边缘检测效果一般．为了更好地检测出图像边缘,在传统边缘检测算法分析的基础上,提出了一种基于边缘图像融合的图像边缘检测方法．首先,对原图像进行二进小波分解得到低频子图像,然后分别对原图像和低频子图像采用直方图均衡化进行增强后用Canny算子来进行边缘检测,得到原图像和低频子图像的边缘图像,最后采用一定的融合规则将这两个边缘图像融合在一起,得到一幅完好的边缘图像．实验结果表明,这种边缘检测方法明显优于直接对原图像单独使用Canny算子或基于小波变换的边缘检测方法．     

一种边缘点特征图像配准算法

为解决图像的精确配准问题,提出了结合LoG算法的特征点的提取方法,并将尺度不变特征算法(SIFT)应用到图像的特征描述中.首先利用LoG算法计算边缘点,对边缘点的梯度值进行排序,选择梯度较大的点作为特征点;然后采用SIFT计算特征点的特征向量,利用最小距离算法找到两幅图像的匹配点对;最后利用最相关点和次相关点比例的方法排除错误的点对.实验结果证明,算法对具有光照、角度不同的两组图像能够实现精确的配准,准确率超过90％.