一种基于Harris角点特征的稳像算法

提出一种基于Harris角点特征的稳像算法。该方法用Harris算子自适应检测出最强壮的角点,开辟(2n+1)×(2n+1)特征窗进行灰度互相关初匹配;提出欧式距离之比不变准则,通过中值滤波剔除误匹配点,确保运动矢量较高的一致性;最后保留若干正确的匹配点对,分成多组解运动矢量方程,将多组解的平均值作为全局运动矢量以提高稳像精度。实验结果表明,本算法可以克服图像缩放影响,有效消除旋转和平移抖动,实现视频图像序列稳定。     

基于圆周投影匹配的电子稳像技术研究

图像不稳定的实质是摄像系统的光轴与目标之间存在无效的相对运动,其中包括平移运动和角运动.传统的结构化模板只能在序列间存在小角度的情况下有效,对大角度旋转的图像则无能为力.为了实时地稳定摄像系统的输出视频序列,提出了一种基于特征匹配的实时电子稳像算法.将分块的Harris算子用于特征提取,并提出利用归一化圆周投影的特征匹配算法来解决图像大角度旋转的问题.仿真和实验证明了该方法不仅能有效地实现帧间平移运动的补偿,而且还可对大角度的旋转运动进行补偿.     

基于改进特征点的电子稳像算法研究

提出了一种改进特征点匹配算法的电子稳像技术.通过合理的区域划分,进行图像的特征点提取,并采用距离不变准则,对特征点的有效性进行验证,利用卡尔曼滤波的方法来进行运动补偿.实验结果表明:此算法具有良好的稳像效果.     

改进的基于LMA算法的电子稳像技术

提出了一种改进的基于LMA算法的电子稳像技术.通过对LMA进行变换和改进将它运用到仿射变换模型的参数估计当中,从而获得参考帧与当前帧之间的全局运动矢量.通过变换降低了Hessian矩阵的计算量,并将多分辨率的匹配技术引入到算法当中,使得该电子稳像技术具有速度快和精度高的特点.实验表明,该技术对于视频的稳像具有良好的效果.     

基于电子稳像的特征跟踪算法

在摄像机不稳的情况下,为了使摄像机在跟踪过程中输出稳定的视频图像序列,需将电子稳像和数字图像跟踪算法进行结合研究.提出了一种基于电子稳像的数字图像跟踪算法.通过提取图像的特征点及确定对应特征点进行背景补偿、矢量计算和特征跟踪.与单纯稳像不同的是,该算法的处理过程中考虑到了稳像和跟踪参数的互相影响,解决了稳像中运动物体干扰问题和跟踪中背景特征点干扰问题,实验表明:此算法可提取出有效的特征点,保证算法的精度和实时性,对实际应用有重要意义.     

利用尺度空间下特征点进行匹配的电子稳像方法

在电子稳像过程中,获取准确的图像运动矢量是稳像的关键,而尺度不变特征转换（SIFT）算法可以较准确地提取运动矢量。为此给出了一种基于尺度不变特征变换的特征提取和匹配的电子稳像方法。SIFT算法是一种在不同尺度空间下提取特征点的方法,该方法首先进行尺度空间极值点检测,然后对特征点定位,最后进行特征向量生成与匹配。实验结果表明,该方法具有多量性,提取特征点数较多且特征匹配点对具有较高的准确率,可以获取较理想的稳像效果。     

基于改进的Harris角点的机载红外图像电子稳像

飞机飞行过程中产生的颠簸、晃动会使得采集到的红外图像序列存在抖动,影响后续对红外图像的观察,不利于对红外图像目标的识别、定位与跟踪.本文提出了一种基于改进的Harris角点法对机载红外图像进行实时电子稳像的方法.首先采用改进的Harris角点响应函数结合距离约束条件进行角点检测,该方法保证即使对图像质量较差的红外图像,也能检测出数量足够且分布均匀的角点;然后基于检测出的角点利用提出的关键帧参考方式结合多尺度的金字塔光流算法进行跟踪匹配,完成运动估计,进而实现对机载红外图像的电子稳像.用该方法对多组含有抖动的640×512尺寸的红外图像序列进行稳像处理,实验表明,本文提出的算法与传统的Harris角点检测算法相比有更好的检测效果,能够很好地去除红外机载图像序列的抖动,且能够满足50 fps采集速率下的实时处理.     

基于图像交叉分块的电子稳像算法

该文提出一种基于图像交叉分块的电子稳像算法。该算法利用相邻两帧图像间存在相同特征的性质,首先通过对图像的交叉分块提取反映图像全局信息的特征点集合,然后根据运动模型建立能量函数,使相邻帧的特征点集合达到最佳匹配,同时获取全局运动参数,最后进行运动补偿以实现稳像目的。稳健的特征点与运动模型匹配相结合,能够有效地处理存在较大旋转和偏移的序列图像。通过强噪声实验表明,该算法具有较好的鲁棒性。     

基于DM642的块匹配稳像算法的研究

应用全搜索的块匹配法,对平移抖动的的视频序列在DM642平台上进行了稳像处理。该块匹配法在当前帧上均匀的选取6个小块,然后在±30像素范围内在参考帧上搜索匹配块,剔除不准确的运动位移值后得出抖动帧的位移值。实验结果表明,该块匹配法对抖动的视频序列有一定的稳像效果。     

基于DM642的电子稳像的研究与实现

文中提出了一种基于DM642的特征点跟踪的电子稳像系统,系统采用TI公司的TMS320DM642专用图像处理芯片,稳像算法采用基于Harris角点检测的特征点跟踪算法.     

基于改进SIFT算法的图像匹配方法研究

SIFT算法具有旋转、平移、尺度缩放和亮度的变化保持不变性的优点,也有算法复杂、计算时间长的缺点。本文提出了以街区距离代替欧式距离的新方法,来提高SIFT特征匹配效率,缩短匹配时间,提高SIFT算法的实时性。实验结果表明,该方法在保持图像匹配率和算法鲁棒性的同时,可以减少运算时间。     

基于图像分块的Harris-SIFT特征匹配算法

应用Harris角点和SIFT图像局部特征定量化数据描述的互补优势,提出了图像分块Harris-SIFT特征匹配方法。将原图像分割成子图像块,根据子块的可变阈值检测多尺度Harris角点,并对其进行迭代精化,使其收敛到真值,然后生成定量化的特征矢量。匹配应用双向最近邻算法并用RANSAC去除误匹配。通过仿真验证,这种方法增强了角点提取的鲁棒性,提高了匹配速度和精度。     

基于特征点和泊松融合的红外序列图像拼接

提出了一种基于特征点和重叠过渡泊松融合的红外序列图像无缝拼接方法。该方法首先采用简化的SIFT特征提取方法获得图像特征点,然后利用双向互匹配的方法提高特征点的匹配精确度,再通过引入随机抽样一致性（RANSAC）算法剔除误匹配点对并求出图像间的变换矩阵,最后将改进的重叠过渡的泊松融合完成图像间的无缝拼接。该算法具有很好的鲁棒性,允许图像有旋转变换和缩放变换,且不受图像噪声影响。实验结果表明:该方法简单有效,可以在保持图像清晰度的前提下,明显消除拼接缝隙,提高拼接图像的质量。     

一种鲁棒的SAR图像匹配方法

针对合成孔径雷达（Synthetic Aperture Radar,SAR）图像匹配中虚假匹配和鲁棒性欠缺的问题,提出了一种鲁棒的SAR图像匹配方法。首先通过正射校正来进行预处理,从而消除SAR图像的旋转;然后利用相关匹配方法初步提取同名点;最后根据同名点的空间位置来筛选同名点并计算仿射矩阵进行匹配,提高了SAR图像匹配的精度和鲁棒性。实验证明了所提方法的有效性。     

基于透视不变二值特征描述子的图像匹配算法

针对基于局部特征的图像匹配算法普遍存在对透视变换顽健性差的缺点,提出了一种新的二值特征描述子PIBC（perspective invariant binary code）,提高了图像匹配算法的透视变换顽健性。首先,在提取金字塔图像FAST特征点的基础上,利用Harris角点响应值去除非极大值点和边缘响应点;其次,通过模拟相机不同视角成像之间的透视变换,对单个FAST特征点生成不同视角变换下图像的二值描述子,使描述子具备描述不同视角图像中同一特征点的能力。实验结果表明,算法在提高描述子透视不变性的同时时间复杂度与SURF算法近似。     

基于Harris-SIFT特征匹配的图像自动配准算法研究

为解决目前大多图像配准算法存在匹配精度低、实时性差的问题,本文提出了一种基于区域分块提取特征点的自动配准算法。该算法结合了Harris算子与SIFT(Scale-Invariant Feature Transform)算子的优点,先用Harris算子快速提取角点作为图像原始特征点,然后利用SIFT算子的特征描述方法对原始特征点进行描述,获得具有尺度不变性的特征点描述符,最后通过欧氏距离确定匹配点对进行图像配准。实验结果表明,该算法保留了Harris算子和SIFT算子的优点,减少了经典SIF算法提取极值点的时间,并且具有良好的鲁棒性、尺度不变性。本文针对200幅图像进行测验,当发生平移、旋转或缩放变换时,两幅图像间的匹配正确率高达95%。结果表明该算法能高效、高精度的实现图像配准。     

基于图像点特征的拼接技术研究

图像拼接技术已经广泛应用于各个领域,本文实现了对灰度图像拼接技术,利用角点检测算子来得到图像特征点,采用归一化相关法（NCC）找出匹配角点,通过改进的RANSAC算法消除错误匹配,得到精确度更高的匹配点对,运用加权平均算法进行图像拼接,对拼接后的图像与原图像进行对比,效果很好,具有较高的精度和可靠性,且运行速度良好,可推广应用。     

基于相似性度量优化的SIFT图像匹配算法

SIFT算法具有很好的尺度、旋转及光照不变性,因此被广泛应用在计算机视觉的诸多领域.但因其算法复杂、计算时间长,导致实时性不好.在研究SIFT特征描述符生成及匹配过程的基础上,提出一种在匹配过程中降低相似性度量计算时间、提高匹配效率的方法.该方法以棋盘距离和街区距离的线性组合替代欧氏距离来度量特征描述符之间的相似性.实验结果表明:该方法在保证SIFT算法鲁棒性的同时,可以降低匹配时间复杂度.