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。     

基于图像熵的自适应阈值配准算法

针对目前主流鲁棒估计算法匹配精确率较低、速度无法满足实时性场景等问题,提出了一种基于网格运动统计(GMS)的改进方法。首先结合图像熵提出一种自适应阈值函数实现特征点全局分布;其次对网格评分模型优化为快速4-邻域网格模型,减少了计算时间。实验结果显示,论文算法在保持较高的匹配正确率的同时,较原算法在运行时间上平均降低了20%～28%,在旋转、尺度、光照等变化时具有很强的鲁棒性。     

图像空间与手术空间点配准算法

手术导航系统中手术空间与图像空间点配准方法,普遍使用无约束最小二乘法求出三维刚体变换矩阵,由于测量误差,求出的矩阵存在着缩放、错切和反射等形变,不是严格的三维刚体变换矩阵。提出有约束最小二乘法,约束条件为正交矩阵,使用迭代法使变换矩阵正交化,从而逼近最优变换矩阵,从理论上解决了点配准算法的工程实现。     

结合SURF特征和RANSAC算法的图像配准方法

提出了一种基于SURF特征和RANSAC算法的图像配准方法。首先通过SURF算法对图像进行特征点检测,将欧式距离作为相似性测度进行特征点粗匹配,并通过RANSAC算法剔除误匹配点对;然后利用正确的匹配点对求解仿射变换模型从而实现图像的精确配准。实验结果表明了该方法的精确性和有效性。     

基于SURF算法的图像配准技术的改进

本文主要针对基于SURF算法的图像配准技术进行改进,目前在SURF算法中使用的特征点描述子没有充分考虑到特征点周围的信息,匹配正确率不高。针对这一点,改进的主要方法是在匹配的过程中增加了灰度差直方图描述子,使得匹配精度提高。图像配准算法在考虑提高配准精度的同时,也要兼顾算法的时间,通过实验证明,改进的算法可以满足以上两点。     

一种面向弱小目标检测的序列星图配准算法

对于星空观测CCD相机获得的序列图像,由于相机姿态的变化使得图像存在全局运动,空间目标的运动与背景恒星的运动混淆在一起,增加了空间目标检测的难度,为了有效地对空间弱小目标进行检测,提出了一种序列星图配准算法。首先,对图像进行预处理,包括成像传输通道不同导致的辐射不均匀性校正和空间杂散光辐射校正;然后,利用序列图像一一对应的高亮恒星星像质心作为特征点计算全局运动参数;最后,提出了一种基于星像质心坐标矩阵的星图配准算法,将星图转换为星像质心坐标矩阵的形式,利用全局运动参数对星像质心坐标矩阵进行处理,进行星图配准,同时对背景恒星进行滤除。算法能够有效地克服恒星和杂散光的干扰,而且在配准过程中将对星图的处理转化为对星像坐标矩阵的处理,省略了配准过程中的图像重采样与变换步骤,节约大量的运算时间,配准后的图像在对恒星背景进行滤除的同时,在一定程度上降低了弱小目标检测的难度。     

一种多特征融合的小波变换图像配准方法

为了满足图像配准对鲁棒性、准确性和效率的要求,提出一种多特征融合的小波变换图像配准方法.该方法首先提取H L特征点,边缘稳定点以及相关性等特征,对这些特征构造特征空间,用模糊集求解特征点距,之后用多约束准则进行处理,用小波方法剔除匹配对中的错误匹配,最后对结果进行分析.实验结果表明该配准方法能够对不同分辨率、不同旋转角度的图像精确地实现配准,同时配准的时间也大幅减少,具有精度高、速度快、抗噪性能良好等优点.     

改进的RANSAC算法在图像配准中的应用

为了提高图像配准的速度,提出了一种基于改进的随机抽样一致性（RANSAC）算法的快速图像配准方法。该方法首先采用Harris角点检测算法提取出参考图像和目标图像的特征角点,然后利用灰度相关性进行特征角点的匹配,最后采用基于预检测的RANSAC算法快速而精确地估计变换矩阵,进行图像配准。该算法中采用预检测的方法快速抛弃那些不是候选模型的临时模型,提高了算法的速度。同时使用随机块选取法选择样本,很好地消除外点的影响进而保证精度。实验结果表明,此方法在得到较高的精度和鲁棒性的情况下,还大幅度减少了运算量,提高了图像配准的速度。     

基于特征的hausdorff距离图像配准

针对图像配准问题,提出了基于Harris及SIFT(Scale-invariant feature transform)特征的Hausdorff距离方法来实现图像配准。首先利用harris角点检测和SIFT特征提取参考图像和待配准图像的角点,通过两种方法获得的角点在融合之后获得更大的角点搜索范围,再利用相似一致性匹配原则剔除错误角点,进而通过改进的Hausdorff距离算法完成图像的配准操作。结果证明,改进算法比传统Hausdorff距离算法运行时间更短,算法时间降低约45%,具有较强的抗噪声能力和旋转鲁棒性,提高了图像配准的效率和精确性。     

基于SUSAN算法的图像配准

通过检测物体的特征点来完成两幅图像的配准。根据USAN区域的描述,采用简化了的SUSAN算法检测刚体的特征点,然后通过找到的特征点和刚体形状不变的特性采用特征点之间的几何关系来配准。实验的结果表明,在无旋转条件下的刚体图像配准中,该算法在特征点提取和图像配准过程中速度比较快。     

基于改进网格运动统计特征的图像匹配算法

为了解决尺度不变特征变换（SIFT）算法在图像匹配中匹配正确率低、耗时长等问题，提出一种基于改进网格运动统计特征RANSAC-GMS的图像匹配算法。首先，利用快速旋转不变性特征（ORB）算法对图像进行预匹配，对预匹配的特征点采用网格运动统计（GMS）来支持估计量以实现正确匹配点与错误匹配点的区分；然后，采用改进的随机抽样一致性（RANSAC）算法通过匹配点间的距离相似性对特征点进行筛选，并采用评价函数对筛选后的新数据集进行重新整理，进而实现对误匹配点的剔除。采用Oxford标准图库和现实中拍摄的图像对图像匹配算法进行测试对比，实验结果表明，所提算法在图像匹配中的平均匹配正确率达到91%以上；与GMS、SIFT、ORB等算法相比，该改进算法的近景匹配正确率和远景匹配正确率分别最少提高了16.15个百分点和3.56个百分点，说明它能有效剔除误匹配点，进一步提高图像匹配精度。     

基于随机采样一致性算法的平面匹配方法

针对传统的平面图像标定点匹配算法计算量大、准确性不高等问题,提出一种基于随机采样一致性(RANSAC)算法的快速高精度的平面图像标定点匹配方法。该方法首先基于双圆锥曲线模型,借助于椭圆边缘点附近的梯度信息求取椭圆的切线,由切线集合拟合出椭圆参数,并利用这些参数计算出椭圆圆心,即图像上的标志点;然后用RANSAC随机采样算法对标定板上的点和图像上的点进行匹配。实验验证该方法实现起来简单并且有较高的准确率。     

基于局部显著边缘特征的快速图像配准算法

针对尺度不变的特征变换(SIFT)算法提取的特征点数目多、匹配耗时长、匹配精度不高等问题,提出了一种基于局部显著边缘特征的快速图像配准算法。该算法利用SIFT算法提取待选特征点,同时用小波边缘检测提取图像边缘,建立特征点周围邻域的边缘特征,筛选出具有显著边缘特征的特征点,结合Shape-context算子和边缘特征形成特征描述向量,采用欧氏距离作为匹配度量函数对筛选出的特征点进行初步匹配,然后用随机一致性检验(RANSAC)算法消除误匹配点对。实验结果表明,该算法有效控制了特征点的数量,提高了特征点的质量,缩小了特征搜索空间,提高了特征匹配的效率。     

基于K-means聚类和RANSAC的图像配准算法研究

针对图像配准中特征点匹配方法存在实时性不高和精度低的问题,提出了一种基于K means聚类和RANSAC的图像配准算法。该算法根据匹配点对距离和方向特征的视差约束条件,首先利用K means聚类对匹配点对进行预处理,剔除大部分错误匹配点,然后利用RANSAC进行二次优化,实现了图像的快速和精确配准。实验结果表明,该算法不仅提高了图像配准的精确度,而且提高了图像配准的速度。     

基于网格运动统计算法和最佳缝合线的密集重复结构图像快速拼接方法

针对常用的图像拼接算法对具有密集重复结构的图像会产生大量误匹配点从而出现明显鬼影且耗时较长的问题,将网格运动统计（GMS）算法与最佳缝合线算法相结合,提出了一种密集重复结构的图像快速拼接方法。首先,在图像的重叠区域提取大量粗匹配点;接着,采用GMS算法进行精匹配,然后在此基础上估计变换模型;最后,采用基于动态规划思想的最佳缝合线算法完成图像拼接。实验结果表明,将所提算法应用于两组具有密集重复结构的图像上,不仅可以有效消除鬼影,得到理想的拼接效果,而且显著减少了拼接时间;平均拼接速度分别是传统尺度不变特征变换（SIFT）和加速稳健特征（SURF）算法的7.4倍和3.2倍,分别是结合区域分块的SIFT算法和SURF算法的4.1倍和1.4倍。所提算法能够有效地消除密集重复结构拼接时的鬼影,同时缩短了拼接时间。     

新的眼底图像配准方法的研究

针对传统的基于特征的眼底图像配准方法配准精度不高的问题,提出了一种新的眼底图像配准方法。通过具有仿射不变性的尺度不变特征变换（Scale Invariance Feature Transform,SIFT）方法提取待配准图像的特征点匹配对。采用适合眼底图像特点的曲面变换模型,实现图像的配准,变换模型参数通过M估计获得。实验结果表明,该算法提高了配准精度,对正常眼和非正常眼的眼底图像配准都是有效的。     

基于体密度变化率的点云多平面检测算法

针对以往点云多平面检测算法运算时间长、检测结果的准确性易受噪声影响这一问题,提出了一种基于点云几何统计特征的多平面检测算法。该方法首先根据体密度变化率对点云进行粗分割,然后利用多元随机抽样一致性算法(Multi-RANSAC)进行多平面拟合,最后提出了一种新的合并约束条件对拟合的初始平面进行优化合并。实验结果证明,该算法易于实现,能有效减少累积噪声对检测结果的影响,提高平面检测的正确率,极大地减少了计算时间开销。     

基于SIFT和改进的RANSAC图像配准算法

为解决RANSAC算法迭代次数过多导致图像配准精确率不高的问题,提出了一种改进的RANSAC图像配准算法。首先将参考图像和待配准图像进行NSCT变换分解成低频子带和高频子带。然后对高频子带运用矢量夹角算法和结构相似性（SSIM）来提取图像边缘特征点,对低频子带运用SIFT算法并设定合适的距离阈值来提取特征点。最后利用改进的RANSAC算法提高特征点匹配精度,选择出精匹配点对,实现图像配准。实验结果表明,该算法能有效地找到较多的匹配点对,准确地去除误匹配点对,明显地提高了配准精确度。     

基于ORB-SLAM2系统的快速误匹配剔除算法与地图构建

针对ORB-SLAM2系统中随机抽样一致（RANSAC）算法在误匹配剔除时因其算法本身的随机性而导致效率较低的问题和在ORB-SLAM2系统里未能构建稠密点云地图的问题,采用渐进一致采样（PROSAC）算法来改进ORB-SLAM2系统中的误匹配剔除,并在系统中添加稠密点云地图和八叉树地图构建线程。首先,与RANSAC算法相比,PROSAC算法依据评价函数对特征点进行预排序,并选取评价质量较高的特征点求解单应性矩阵,根据单应性矩阵的解与匹配误差阈值进行误匹配剔除;然后,根据ORB-SLAM2系统进行相机的位姿估计与重定位;最后,根据所选关键帧进行稠密点云地图与八叉树地图的构建。根据TUM数据集上的实验结果,PROSAC算法在进行相同图像的误匹配剔除时所用时间是RANSAC算法的50%左右,并且所提系统的绝对轨迹误差与相对位姿误差与ORB-SLAM2系统基本一致,表现出良好的鲁棒性;另外,与稀疏点云地图相比,提出的新构建地图可以直接用于机器人的导航与路径规划。