基于快速SIFT算子违禁品特征提取研究

由于传统SIFT(scale invariant feature transform)特征提取算法每个特征描述子形成128维的特征向量,计算量比较大,严重影响实时性,而被动毫米波(PMMW)安检成像系统对实时性要求比较高,因此提出将改进后的快速SIFT算子运用于违禁品特征提取。改进后的快速SIFT算法主要分为2个方面,一是用绝对距离取代了欧式距离,改进了特征描述符相似性度量的测量形式,相似性度量公式的时间复杂度有所降低;二是提出了假设匹配算法,减小了算法中相似特征点比较的次数,降低了算法的计算量。仿真实验证明,快速SIFT算法在尺度缩放、旋转和视角变化等情况下匹配效果较好,耗时仅为传统SIFT算法的三分之一左右。     

一种用于螺纹桶内壁图像拼接的匹配方法

针对传统螺纹图像匹配方法误匹配率高、难以实现图像拼接的问题,提出了基于尺度不变特征变换(SIFT)改进的匹配算法。先将采集图片进行枕形失真校正,在此基础上构建图像尺度空间,并在标定重叠区域内搜索高斯差分(DoG)金字塔的SIFT特征点。利用快速最近邻逼近搜索函数库(FLANN)匹配特征点,结合坐标比较和随机抽样一致性算法(RANSAC)进一步剔除误匹配,最终匹配正确率达到99%以上。实验结果表明:基于标定区域内的特征提取及匹配约束条件可提高匹配速度和精度。相比传统匹配方法,本文匹配方法对相似性较高的螺纹图像匹配具有鲁棒性和优越性,适用于螺纹桶内壁图像的全景拼接。     

基于2D单应矩阵约束的图像匹配方法

针对目前普通图像匹配不精确的问题,用2D射影变换的单应矩阵约束估计算法和尺度不变特征变换(SIFT)算法结合,提出了一种适应性强,图像匹配精度高的图像匹配算法.首先对图像进行SIFT特征提取,在不同的尺度空间下提取特征角点,建立对应数据库.再对特征数据库进行初始化单应矩阵估计,剔除野值点后再用L-M(Levenberg-Marquardt)算法约束对单应矩阵继续估计,直到求出最优化的单应矩阵,最终根据优化单应矩阵生成内点数据库.     

基于SIFT特征的消防侦察图像自动拼接算法

提出了一种基于尺度不变特征变换（SIFT）特征的消防侦察图像自动拼接算法,并介绍了该算法的具体工作原理。该算法首先通过消防侦察机器人采集火场图像,利用SIFT变换捕获图像中的特征点,然后通过有效匹配和变换矩阵的有效估计,并对重叠区域实施加权融合,实现图像拼接。仿真结果表明,该算法具有良好的拼接效果,为消防侦察提供更加全面和可靠的图像信息,有利于后方指挥中心的合理决策。     

基于SURF算法的无人机航空图像自动配准研究

针对实时性要求中SIFT特征配准算法耗时长的缺点,本文将SURF（Speeded Up Robust Feature,即加速鲁棒特征）算法应用于无人机航空图像的自动配准问题中。首先利用Hessian检测子检测特征点,再通过粗匹配和细匹配得到匹配点对,最后执行几何变换完成对图像的配准。通过与SIFT（Scale Invariant Feature Transform,即尺度不变特征变换）配准方法进行对比,结果表明SURF算法在满足精度的前提下具有比SIFT算法计算量小、速度快的优点,有一定的理论和应用价值。     

一种结合区域选择和SIFT算法的遥感图像配准方法

针对SIFT算法存在提取特征点数目大、运算速度慢、匹配点正确率不高的问题,提出一种基于区域选择和SIFT的遥感图像配准方法。首先对遥感图像进行粗配准,按照粗配准系数获得图像系列的重叠区。分割重叠区域,利用二维小波变换对分割图像进行变换得到其三个方向的高频分量,计算其高频能量总和,选取能量值最大的图像块代替原图像按照SIFT算法进行配准。改进后的方法不仅能够避免传统SIFT配准提取冗余干扰特征点,且能够加快匹配速度,提高匹配点正确率,尤其适用于大幅遥感图像配准。实验结果表明,该改进算法能够获得较高的配准精度且配准效率高。     

基于SIFT-SRBICP算法特征点云提取与配准研究

针对图像特征点提取效率低和稳定性差,点云集在实际情况下由于尺度变换引起的匹配不准确和旋转角变化过大引起的配准效果不佳的问题。本文对SIFT、SURF及ORB三种算法进行对比分析,验证了SIFT算法在解决图像特征点提取问题上优于其它两种算法。本文采用SIFT算法进行特征点提取,并提出基于改进型的SRBICP算法对点云进行配准,该方法不仅增加了初始信息素的随机性和考虑了尺度矩阵的边界,并加入了旋转角约束矩阵、动态迭代系数以及退火系数等因素对点云配准模型进行构建。最后采用基于开源GNU/Linux系统所搭载的的Ubuntu操作系统,在Ubuntu系统平台上进行仿真实验,实验结果表明,改进后的算法比传统ICP算法配准精度提高了约50%,同时配准速度提高了约40%。     

基于图像锐化的SIFT图像复制粘贴篡改检测

SIFT算法提取图像的特征点多为图像目标的边缘点,对于较模糊图像而言,直接使用SIFT算法提取特征点后进行特征点匹配,会降低特征点的匹配数量和匹配正确率,甚至对于复制粘贴篡改图像不能做出正确的判断。所以,提出先对被检测图像利用梯度法进行锐化,使图像目标边缘变得清晰,再用SIFT算法提取特征点及后续操作,以提高匹配的正确率。实验表明,改进算法性能有明显提升。     

不同图像融合技术的融合性能分析比较

现有红外偏振图像融合算法多采用单一固定的融合技术对源图像进行描述,在实际融合中无法全面描述、提取变化的源图像差异特征,不利于融合。针对这一问题,对比分析了多种图像融合技术,归纳总结了不同融合技术在融合红外偏振与光强图像时的特点,引入了梯形模糊数构建客观评价指标阈值,对多组图像的融合效果进行对比分析。研究表明:小波包变换(wavelet packet transform,WPT),双树复小波变换(dual-tree complex wavelet transform,DTCWT),非下采样剪切波变换(nonsubsampled shearlet transform,NSST),非下采样轮廓波变换(non-subsampled contourlet transform,NSCT),主成分分析(principal component analysis,PCA)等融合技术能较充分地融合源图像的信息;WPT、DTCWT、NSST、NSCT、PCA、顶帽变换(Tophat)等融合技术较好地融合图像的边缘、轮廓;离散小波变换(discrete wavelet transform,DWT),多分辨率奇异值分解(multiresolution singular value decomposition,MSVD),Top-hat等融合技术的融合结果有明显的块效应、锯齿状边缘;当某一源图像提供的信息量较大时,PCA相比其他融合技术更具有优势,但会丢失重要的局部特征。     

基于SIFT算法的视觉导航方法的研究

本文提出了一种基于SIFT算法和相对定向直接解算方法的视觉定位匹配方法,可解决SIFT算法无法准确定位的问题。SIFT算法通过构建尺度空间、检测极值点、确定关键点等步骤为含有位置信息的视觉图片序列生成关键特征点,然后,计算每个关键特征点周围图像区域的旋转不变纹理特征,并将其作为该关键特征点的描述,进行SIFT初匹配,利用得到的相匹配坐标进行相对定向直接解算,从而得到载体在运动中的位置坐标和运动轨迹。实验结果表明,本方法能够较为准确的得到物体在运动中的位置及其运动轨迹,误差较小,有很好的应用性。