SIFT算法在图像配准中的应用

图像配准有很多种算法,在众多算法中尺度不变特征变换(SIFT)算法具有良好的尺度,光照,空间旋转不变性,被广泛的运用于图像配准的应用中。本文对SIFT算法的基本步骤做了简单的阐述,并且在运用在图像配准的应用上。实验结果表明该算法具有较强的配准能力,是一种较好的配准算法。     

结合SIFT和Delaunay三角网的遥感图像配准算法

针对高分辨率遥感图像中提取的特征点数目过大且易存在误匹配点的问题,提出了一种粗配准和精配准相结合的高分辨率遥感图像配准算法.首先对图像降采样处理后,提取大尺度空间下的SIFT特征点,求得仿射变换模型完成图像粗配准;然后对图像进行分块,利用SIFT方法对每幅子块图像提取特征点,并找到对应子块图像之间的匹配点对;之后利用特征点构建Delaunay三角网,计算每对子块图像之间的三角形相似度,构成相似矩阵,从中挑选相似度大的三角形对以构成精确匹配点对;最后利用得到的精确匹配点对实现最终的图像配准.该算法能够减少提取的特征点数且剔除更多的错误匹配点,从而进一步提高精确匹配点率.实验结果表明了算法的有效性.     

基于GPU的现代并行优化算法

针对现代优化算法在处理相对复杂问题中所面临的求解时间复杂度较高的问题,引入基于GPU的并行处理解决方法。首先从宏观角度阐释了基于计算统一设备架构CUDA的并行编程模型,然后在GPU环境下给出了基于CUDA架构的5种典型现代优化算法(模拟退火算法、禁忌搜索算法、遗传算法、粒子群算法以及人工神经网络)的并行实现过程。通过对比分析在不同环境下测试的实验案例统计结果,指出基于GPU的单指令多线程并行优化策略的优势及其未来发展趋势。     

应用边缘图像SIFT特征配准印鉴图像

为了准确配准印鉴图像,为高仿真印鉴的真伪识别做好准备,提出利用印鉴边缘图像SIFT（Scale Invariant Feature Transform）特征的相似性和空间关系相结合的配准方法。采用邻域搜索法提取待测印鉴与预留印鉴的二值边缘图像,在印鉴边缘图像中提取SIFT特征,并根据相似性匹配。利用印鉴边缘图像SIFT特征匹配点对的空间关系剔除错误匹配,提高配准效率。利用RANSAC方法估计两印鉴的变换模型。分别配准具有不同形状及印文内容的10组真印鉴图像和10组假印鉴图像。将所得结果与其他两种典型的配准方法作比较。以两印鉴配准后不重合边缘点之间的平均距离评价配准的准确性,以最大距离量化配准后出现的最大差异。实验结果表明,该方法可以准确配准待测印鉴与预留印鉴图像,对印鉴形状、笔画结构无任何限制,配准速度比直接利用印鉴二值图像SIFT特征的配准方法提高一倍。     

基于分层区域的自适应图像配准算法

针对SIFT（尺度不变特征变换）算法提取的特征点不纯、易受噪声等因素干扰的问题，提出在SIFT算法提取特征点之前对图像进行预处理，排除部分外界干扰。针对SIFT算法中128维的高维度特征描述符导致匹配速度降低，提出一种基于分层区域的方法降低描述符维度，缩短算法运行时间。针对SIFT算法匹配过程中选取固定阈值不具有广泛适用性的问题，提出一种自适应阈值的方法，解决设置固定阈值不能适用所有图像的问题，提高匹配准确率。实验结果证明，改进的算法能提高匹配准确率和匹配效率，增强算法的鲁棒性和可靠性，并且适用性广泛。     

gAC:基于GPU的高性能AC算法

字符串匹配是计算科学中研究最广泛的问题之一,已成为信息检索和生物计算等领域的核心操作。然而受限于CPU的计算能力和存储器访问带宽,传统的串行字符串匹配算法难以进一步提升性能。GPU在计算能力和存储器访问带宽上有很大提升,已经在很多应用上取得了卓越成效。gAC作为一种基于GPU的并行AC算法,针对GPU的SIMT(Single-Instruction Multiple-Thread)以及合并存储器访问的技术特点,采取了减少条件分支、合并访问全局存储器等优化方法,使得在C1060GPU上的字符串扫描速度达到51Gb/s,比基于CPU的串行算法提升了28倍。     

一种改进的SIFT图像配准方法

针对普通SIFT算法效率因128维的特征点描述算子而降低的问题,提出一种改进的SIFT算法,利用圆环的特性同时对每一个特征向量进行序列化,以保证物体旋转不变性,在降低描述算子维数的基础上,利用遍历搜索查找样本特征点的最近邻和次近邻特征点。实验结果表明,当图像存在不同程度的几何变形、辐射畸变和噪声影响时,改进算法更稳定、更快速。     

新型优化SIFT的图像快速配准方法研究

针对尺度不变特征变换（Scale Invariant Feature Transform,SIFT）算法图像配准时间长、匹配率低等问题,提出了重合区域图像极值特征提取法以及图像降采样特征配准法。在特征匹配的过程中,重点考虑重叠区域的特征匹配点对极值一致性约束条件,并利用差分尺度空间的局部单极值,以减小冗余特征点,节约特征提取与匹配时间;在此基础上,以图像尺度大小（选择180×180）作为缩放约束,对图像进行同比例插值缩小,并根据缩放后图像与原始图像变换矩阵之间的关系,计算出原始图像变换矩阵,实现图像的快速、精确配准。利用实例验证了所提方法的有效性和可行性。     

基于GPU的多层显微图像实时融合技术

随着GPU技术的发展,GPU比CPU拥有了更高的处理能力。本文提出将多层显微图像融合计算由CPU转移到GPU上进行,提升融合速度,最终达到图像融合与图像采集同步。两者的对比实验结果表明GPU在进行图像融合有明显的速度优势;将图像融合嵌入到图像采集程序后的测试表明通过GPU进行图像融合完全可以与相机采集相同步,完成采集、融合实时进行。这一结果改变了长期以来研究人员进行图像融合时,先拍照,再融合的工作流程,只需要将相机在不同聚焦高度扫描一次即可得到多层聚焦位置的融合图。     

基于GPU的大规模海浪实时绘制

海浪建模与绘制是近二十年来计算机图形学领域的一个经典问题,同时,随着硬件的发展,尤其是图形处理器(GPU)以大大超过摩尔定律的速度高速发展和其高速计算能力、并行性、其可编程功能,使得基于GPU的通用计算成为一个新研究热点.利用GPU的高速计算能力和可编程功能,解决海浪模拟中的复杂计算问题,提出一种基于图形硬件的大规模海浪实时绘制方法.首先,对图形处理器进行了概述.然后,基于Gerstner-Rankine模型生成海洋高度场,采用屏幕细分自适应算法对数字地球上的可视海洋表面进行采样,利用图形处理单元的可编程特性进行顶点和颜色计算,模拟实时球面海浪效果.实验结果表明,基于GPU的方法可以在普通PC图形硬件上实现大规模海浪的交互漫游.     

基于GPU的SIFT特征匹配算法并行处理研究

SIFT算法因具有旋转、缩放以及平移不变性而在影像配准和基于影像的三维重建领域得到广泛应用。但该算法复杂度较高,在CPU上执行的效率不高,难以满足对实时性要求较高的应用。在深入分析SIFT算法原理的基础上,针对该算法提取特征的多量性和特征向量的高维性,将该算法进行了并行化改造以利用GPU强大的并行计算能力,并与CPU上实现的SIFT算法进行了比较。实验证明,基于GPU的SIFT算法执行效率大幅提升,平均可以达到10倍以上的加速比。     

基于GPU的实时图像拼接

大视野、高质量的图像信息对地面移动机器人的遥控操作具有非常重要的意义。提出了一种基于先验信息的自适应图像拼接方法。该方法在图像大致重叠区域中均匀选取待匹配点,利用改进的具有旋转不变性的NCC(Normalized Cross Correlation,归一化互相关)匹配方法进行区域相似性度量,通过RANSAC(Random Sample Con-sensus,随机采样一致性)算法估计图像射影变换模型,采用线性淡入淡出法进行图像融合。利用GPU强大的并行处理能力对算法进行了并行化实现,使图像拼接效率比单独采用CPU提高了60倍以上,稳定的拼接速度可达21.3fps。     

基于GPU的并行协同过滤算法

为提高协同过滤算法的可伸缩性, 加快其运行速度, 提出了一种基于GPU（graphic processing unit）的并行协同过滤算法来实现高速并行处理。GPU的运算模式采用单指令多数据流, 适用于逻辑性弱、数据量巨大的运算, 而这正是协同过滤算法所具有的特点。使用统一计算设备框架（compute unified device architecture, CUDA）实现了此协同过滤算法。实验表明, 在中低端的GPU上该算法与在高端的四核CPU上的协同过滤算法相比, 其加速比达到40倍以上, 显著地提高了算法的可伸缩性, 而算法在准确率方面也有优秀的表现。     

基于归一化SIFT算法的不同光学影像配准

由不同传感器摄取的遥感影像因成像模式、拍摄角度和分辨率不同,给两者之间的配准造成困难。针对该问题,提出归一化SIFT算法,通过对SIFT描述子归一化的处理,降低不同光学影像色调差异大的影响,并通过与最小二乘法和双线性内插法的结合,完成自动配准。选取角度和尺度偏差较大的SPOT与ASTER影像、ASTER与TM影像2组数据进行实验。结果证明,该算法鲁棒性强,配准精度高。     

基于SIFT特征和广义紧互对原型对距离的遥感图像配准方法

主要讨论SIFT(Scale Invariant Feature Transform)及其在遥感图像配准中的应用。首先介绍了基于特征点的遥感图像配准的一般框架;针对基于特征点的遥感图像配准中的两个基本问题-鲁棒的特征点提取和特征点匹配,提出了基于SIFT特征点和广义紧互对原型对距离的遥感图像配准新方法,并通过“广义紧互对原型对”的概念,为不同的特征点匹配方法建立了联系。与已有的相关工作相比,该方法可以得到更多的匹配点对和正确的匹配点对。数值试验证明了该方法的有效性和鲁棒性。     

基于信息熵与SIFT算法的天文图像配准

天文图像配准是研究天体运动的一项关键技术,图像内部结构往往存在轻微的不规则运动.但是图像配准涉及到计算整个图像的变换关系,在此情况下,无论是采用基于统计特征还是基于局部特征的配准方法,都难以取得理想的效果.为此,提出基于信息熵与SIFT算法的天文图像配准方法.该方法首先需对图像进行均匀分块并计算每块熵值,以熵值最大者作为配准的局部子图,然后通过尺度不变特征变换(Scale Invariant Feature Transform,SIFT)及仿射变换建立变换关系,继而利用局部子图变换关系完成图像的配准.该方法一方面能缩短变换关系的建立时间,另一方面能保证图像中信息熵最大区域配准,有效提高天文图像配准质量.     

高分辨率遥感图像配准并行加速方法

基于SIFT算法的遥感图像配准精度高、稳定性强,但图像幅宽大、提取特征点数量多使得配准过程耗时长。提出了一种高分辨率遥感图像配准的并行加速方法。该方法在特征点提取时利用GPU实现了高斯金字塔建立过程中的并行加速,并对提取出的大量特征点使用共享内存来进行局部极值高速缓存,降低了特征点提取所需的运算时间;同时通过分块处理以及OpenMP多线程技术实现了特征点匹配及仿射模型计算过程的CPU并行处理。实验表明:本方法相对于传统的SIFT算法平均加速3倍,并且对于固定大小的图像,本方法的特征点提取时间和特征点个数具有线性关系,加速比随着提取出特征点数量的增加而增大。     

一种基于SIFT特征的快速逐层遥感图像配准方法

当前SIFT特征分层配准方法中存在特征点匹配复杂度高以及不同时相地物变化导致特征点误匹配等问题,提出一种基于SIFT特征的“低分辨率配准\,高分辨率验证”快速逐层遥感图像配准方法。该方法针对同源同分辨率不同时相的遥感图像,通过在金字塔的低分辨率图层匹配特征点对并建立仿射变换模型,在金字塔的高分辨率图层评估并修正模型。实验表明：提出的方法在保证配准精度的前提下,有效提高了配准算法的效率。
     

基于改进SIFT算法的无人机遥感图像匹配

将SIFT算法中高斯二阶微分模板与图像函数的卷积运算转化为箱式滤波器对积分图像的加减运算,引入SURF算子,减小特征点检测算子的特征向量维数,降低SIFT算法的计算复杂度,缩短图像匹配时间,从而解决了无人机遥感图像匹配对实时性要求较高的问题。仿真结果表明,改进的SIFT算法在保持原算法鲁棒性和匹配率的前提下,提高了运算速度。