小波神经网络在图像配准中的应用

提出了一种基于小波网络的图像配准方法。将特征点定义进行了推广,提出了一种以特征区域定义和提取方法。使用Zernike矩表征区域的特征并进行特征区域的对应。因图像配准变换是复杂且难以预知的,利用小波神经网络具有良好的函数逼近性能,提出了具有局域特性的小波神经网络模型逼近图像的配准变换。实验表明这是一种有效的图像配准方法。     

基于特征区域的图像自动配准

为了解决基于特征的图像配准中的特征点的定义和提取问题,提出了一种以特征区域替代特征点的定义和提取方法。该方法应用Moravec算子选择候选特征区域,使用具有旋转不变性的Zernike矩表征该区域的特性;采用二级匹配策略进行特征区域的匹配,即基于自组织映射神经网络的初始匹配及精细匹配;建立图像的配准框架并实现图像的配准。实验结果表明,该方法能有效地提取图像的特征点并能准确地进行特征点的匹配,整个配准过程完全自动进行。     

图像配准中特征点匹配分析与展望

图像配准是图像处理技术中的关键技术之一.近年来国内外出现了各种新颖的配准算法,但均有各自的应用局限,只能适用于特定的场合.从图像配准的一般原理出发,对目前的配准方法进行综合的分析和讨论,归纳其优缺点及其应用场合,并展望了特征点匹配算法的未来发展趋势.     

Clifford 代数几何不变量3D医学图像配准的方法

就3D医学图像配准数据量大、计算复杂度高、配准精度低的问题,提出一种基于Clifford代数几何不变量的配准方法,以实现人头颅部3D医学图像配准。提出配准所需的Clifford代数几何不变量及其Clifford代数方程算式,并构造适合于该几何参考轴旋转的Clifford几何旋转算子,利用所求的最大、最小值对应的Clifford几何不变量建立Clifford旋转算子,对浮动影像数据实现几何变换,以达到配准的结果。配准实验中对两个世界著名的3D医学数据集进行了测试,结果表明:该方法计算简单,几何意义直观,配准精度高,执行效率高,并且通过轴线变换不易陷入配准过程的局部极值点。     

基于特征的高精度自动图像配准方法

提出了一种特征匹配策略,它通过建立一个以匹配矩阵为自变量的函数,将空间关系一致性和特征相似性两方面的准则有机地结合起来,使得该函数在图像的最佳配准位置达到全局最大值.这样,特征匹配问题转化为一个函数最优化问题.采用分支定界法解决了这个整数规划问题.用大量的实际图像测试了该方法,并与多种已有方法进行了比较.实验结果表明,该算法是自动的、通用稳健的,而且配准精度是最高的.     

基于ICP算法的医学图像几何配准技术

几何配准是医学图像领域研究的重要内容，医学图像几何配准的目标就是建立术前和术中两组点的变换关系。该文利用股骨为模型，讨论了基于轮廓特征的ICP医学图像几何配准算法，从技术上实现了术前建模和术中取点，并编制相应的ICP算法程序。     

图像配准技术研究

图像配准技术是图像拼接技术最关键的步骤,图像配准的好坏直接决定了图像拼接结果的优劣。对图像配准工作进行了总结,介绍了基于区域的图像配准和基于特征的图像配准方法,并分析了各个方法的优缺点,同时指出了现有图像配准算法存在的问题和发展的方向。     

高斯过程下的CMA-ES在医学图像配准中的应用

为了改进协方差矩阵自适应进化策略(CMA-ES)的性能,提出了一种高斯过程协助下的协方差矩阵自适应进化策略(GPACMA-ES)。该策略利用CMA-ES中的协方差矩阵构建核函数,引入高斯过程,在线学习历史经验,并根据历史经验预测全局最优解的最有前景区域,有效地降低了适应度函数的评价次数。同时,为了提高群体的搜索效率,引入了置信区间。群体在置信区间内更高效地采样,使得算法具备更快的收敛速度和全局寻优能力。最后,将GPACMA-ES算法应用于医学图像配准中,配准精度和效率均高于标准的CMA-ES算法。     

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。     

一种新的基于Legendre矩的fMRI图像配准方法

提出了一种脑功能磁共振图像配准的方法。Legendre正交矩可以用来作为图像配准的策略，它的快速计算至关重要，边界的拟合精度和速度对Legendre矩的计算影响很大。根据推导出的Legendre矩的边界特点，提出了采用四连通链码法和改进的矢量斜率法进行边界拟台，从而解决了Legendre矩快速计算的问题。采用遗传算法进行多参数配准策略优化，避免了局部极值的干扰。改进的Legendre矩配准方法是一种快速脑功能图像配准方法。     

基于轮廓特征的SAR图像自动配准

针对SAR图像的自动配准问题,提出了一种基于轮廓特征的快速配准方法。在对SAR图像正确检测和分割的基础上提取图像的区域轮廓,并对其几何特征属性进行准确描述,利用配准点可以实现自动图像配准,仿真试验表明可以获得亚像素级配准结果。     

基于图像几何特征点的仿射参数估计算法研究

平移、旋转和缩放等仿射变换参数的计算是计算机视觉、目标检测和模式识别领域的关键问题.对3类典型的基于图像特征点的仿射参数计算方案进行了研究与探讨,它们分别是利用SUSAN角检测器、Harris角点检测器和尺度不变特征变换(SIFT)提取图像特征点.针对传统算法对SUSAN和Harris角点进行匹配精度过低的问题,提出了一种新的基于Zernike矩的特征点匹配算法,对匹配的特征点对利用四参数仿射模型进行参数估计和求取.在此基础上对3种方案进行了深入分析和比较,得出SIFT特征点适用范固广、精度高,是较好的仿射参数求取工具.并通过具体的配准实验结果及在图像拼接中的应用证明了算法的有效性.     

基于视觉特征的多传感器图像配准

多传感器图像配准在空间图像处理中有非常重要的应用价值,但同时也面临着多源空间数据各异性困难。考虑到图像配准过程中的多分辨率视觉特征,采用基于小波的多分辨率图像分解来指导从粗到细的配准过程,利用扩展的轮廓跟踪算法提取满足视觉特征的轮廓,在轮廓链码曲率函数的基础上实现基于傅里叶变换的多分辨率形状特征匹配。与已有的基于特征的图像配准算法进行实验比较,实验结果表明该方法对于从多传感器得到的异质图像具有良好的配准效果。     

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。     

改进的基于纹理特征的图像配准算法

针对图像纹理规则性与重复性及图像起始纹理分布的不一致性,依据VE4000检测系统的纹理特征配准算法达到配准目的。该算法自行设计标准单一模板,对单一模板进行裁剪与拼接技术达到了图像配准的目的,但是配准效果较差,在此基础上提出了改进的纹理特征配准算法,重新设计模板,拼接生成标准的参考图像,对参考图像进行匹配与裁剪以获取不同配准图像。实验结果证明,改进的基于纹理特征的配准算法运行时间短,配准误差小,能够很好满足缺陷检测的配准需求。     

基于改进尺度不变特征的图像局域几何配准研究

针对图像配准容易产生误配准、漏配准的问题,提出了基于改进尺度不变特征的图像局域几何配准。该方法改进了尺度不变特征,通过构建边缘尺度空间设计了尺度不变边缘特征变换,融合了尺度不变特征点和尺度不变边缘。以尺度不变特征为基础,搜寻图像间的局域图像变换,实现图像局域几何配准。实验表明,SIFT特征点和边缘信息互补能够提供更多的配准信息并减少错误配准;该方法对尺度、噪声、形变、光照等不敏感,能够配准移动目标,真实地反映图像的配准状况。     

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。     

基于双匹配配准算法的多重复纹理图像拼接

针对目前图像配准算法对于多重复纹理图像配准位置偏差的问题,提出图像内自匹配与图像间互匹配相结合的双匹配配准(Double-match image registration,DMIR)算法.首先在对待匹配图像提取尺度不变特征转换(Scale-invariant feature transform,SIFT)特征之后,通过...     

基于改进CNN-RANSAC的水下图像特征配准方法

水对光的吸收和散射效应降低了水下图像的质量,水下图像的可视范围受到限制,复杂水下场景下的鲁棒性和精确性问题使得特征提取与匹配成为一项具有挑战性的任务。为了更好地配准水下图像,提出了一种改进CNN-RANSAC的水下图像特征配准方法,首先通过基于深度卷积神经网络的水下图像增强方法对水下图像进行增强预处理,通过水下图像分类数据集迁移学习训练VGGNet-16网络框架,利用修改后的网络框架进行特征提取,生成鲁棒的多尺度特征描述符与特征点,经过特征粗匹配与动态内点选择,使用改进的RANSAC方法剔除误匹配点。在大量水下图像数据集上进行了充分的特征提取和特征匹配实验,与基于SIFT和SURF的配准方法相比,该方法能够检测到更多的特征点,实现了匹配正确率的大幅度提高。     

基于Zernike矩和前馈神经网络的图像配准

提出一种基于Zernike矩和多级前馈神经网络的图像配准算法。利用低阶Zernike矩表征图像的全局几何特征,通过多级前馈神经网络学习图像所经历的旋转、缩放和平移等仿射变换参数,在一级前馈神经网络的基础上添加二级前馈网络,以提高参数估计精度。仿真结果表明,与基于DCT系数的神经网络算法相比,该算法旋转、缩放和平移估计精度较高,对噪声的鲁棒性较强。