基于 FAST 角点和 FREAK 描述符改进的无人机景象匹配算法

在无基准图的无人机返航过程中,实时图和航路点的景象匹配是无人机返航成功的关键。为提高景象匹配的实时性和鲁棒性,提出了基于加速分割检测特征(FAST)角点检测和快速视网膜关键点(FREAK)描述符的无人机景象匹配算法。首先,针对FAST角点检测方法的无尺度不变性、特征点数量冗余的缺点进行了改进;接着,对FREAK二进制描述符进行简化,以提高匹配速度;然后,采用K近邻比值法和RANSAC方法进行特征的初匹配和精匹配,并建立定位模型,从而获得航路点与无人机当前位置的实际距离和方位信息;最后,对算法的各项性能做实验验证。所提出的算法定位方向偏差在1°以内,像面距离偏差稳定在0.6 pixel,运行时间0.43 s,远小于尺度不变特征转换(SIFT)和加速鲁棒特征(SURF)算法的处理时间。在尺度变换和噪声等条件变化的情况下,相比SIFT和SURF等算法,所提算法取得了较好的正确匹配率,具有更好的鲁棒性。实验结果表明所提出的算法鲁棒性好,运算速度快,尤其在视角变换方面表现优秀,更适合无人机视觉辅助导航。     

基于改进Harris-SIFT算子的快速图像配准算法

提出了一种基于改进Harris-SIFT算法的快速图像配准方法。首先,对传统Harris算法进行改进:一是构建高斯尺度空间,提取具有尺度不变性的角点特征;二是借鉴Forsnter算子思想对提取的角点进行精定位,以提高配准精度。然后,利用SIFT算子的特征描述方法对提取的特征点进行描述,通过随机kd树算法对两幅影像的特征点进行匹配。最后采用RANSAC算法对匹配点对进行提纯,并通过最小二乘法估计两幅影像间的空间几何变换参数,完成图像配准。实验结果表明:本文方法在基本保持配准精度的同时,能够大大减少标准SIFT所需的配准时间。     

基于四叉树的SIFT与K-D树融合的图像匹配研究

为了解决SIFT算法在立体视觉中耗时长、误匹配度高以及提取的特征点扎堆的问题,提出一种基于四叉树的SIFT与K-D树融合的快速特征匹配算法.该方法采用一种结合了自适应阈值的快速特征点提取算法提取关键点,由于所提取的关键点具有扎堆现象,故提出一种四叉树结构并将其应用到图像匹配中.利用改进的K-D树与随机一致性算法进行关键点的粗匹配与提纯.实验证明,该改进算法的平均匹配速率相比SIFT算法提高了3.35倍,匹配正确率由86.18％提高到97.53％,同时该改进算法比SIFT算法在视角、模糊、光照以及尺度变化方面更具有优越性,所以该算法能够满足高匹配率、实时性好且特征点均匀化的要求.     

基于红外图像匹配的零值绝缘子检测

针对零值绝缘子检测,提出一种SIFT算法与改进RANSAC法相结合的图像匹配检测方法。首先利用SIFT算法与欧式距离实现待测绝缘子串与图像库标准绝缘子串的图像特征提取及粗匹配,然后将马氏距离与RANSAC算法相结合实现特征的精匹配,提出了一种基于数据模型外点率的自适应方法来减少RANSAC算法在检验抽样数据模型上耗费的大量时间。试验结果表明,所提方法能准确地实现待测绝缘子串与图像库相应标准零值绝缘子串的匹配,实现零值绝缘子的准确识别。     

改进的尺度不变特征转换精确图像匹配在电力设备目标定位中的应用

针对电力设备目标定位问题,研究了基于改进的尺度不变特征转换(scale invariant feature transform,SIFT)精确图像配准的定位方法。首先用改进的SIFT特征描述子提取图像中的特征点,降低了特征向量描述子的维数,大大提高了算法的速度;然后采用欧氏距离对特征点进行初始匹配,由于初始匹配过程中存在误匹配,采用改进的随机取样一致性(random sample consensus,RANSAC)算法对阈值进行自动调整,消除了错误匹配;最后,以电力系统中的刀闸、变压器为例,采用旋转、缩放、光照变化及加噪声图像验证了该算法。实验结果表明:改进后的算法不仅继承了SIFT算法的鲁棒性,而且提高了算法的速度和匹配精度,可以较好地应用于电力设备目标定位中。     

一种基于改进SIFT的图像检索算法

为了实现高准确率要求的数字出版物中引用图片的侵权审查,提出了一种基于改进SIFT算法的图像检索算法。该改进算法首创性地提出了在特征提取过程中加入图像SIFT特征点的邻域颜色特征,并设计了双匹配的特征点匹配策略,增强了特征点匹配的可靠性,提升了图像检索的性能。该改进算法被分为3个步骤来实现：基于灰度和HSV彩色空间的双尺度空间的生成,结合传统SIFT特征点描述子和特征点颜色特征向量的新特征点描述子的生成,特征点搜索与双匹配。实验结果表明,与原始的SIFT算法相比,本文改进算法的检索精度更高,并且检索速度没有明显下降。     

SURF和RANSAC在图像拼接中的应用

图像特征检测在计算机视觉带动下得到了快速发展.SURF特征描述能够非常稳定快速地对图像特征进行检测和描述.RANSAC能够在inliers大于50％的条件下很好地估计出模型参数,在特征点匹配上起到了关键作用.本文利用SURF特征描述子对图像特征点进行检测和描述,然后运用交叉匹配的策略有效地消除一些错误匹配点对,然后运用RANSAC算法进行模型估计,最后使用线性加权的方式对图像进行融合.该方法利用了SURF快速检测和稳定性的特点和RANSAC算法时间复杂度小的特点进行特征点快速准确匹配,最终能够实现快速的图像拼接.     

ORB特征匹配的误匹配点剔除算法研究

在计算机视觉中,特征点匹配是一个极其重要的问题。为了提高图像特征点匹配精度,针对ORB常采用的RANSAC误匹配点消除算法不足,提出了改进的误匹配点剔除算法。该算法通过缩小抽样点总量来保证匹配点选取质量,并能有效的减少迭代次数。分别采用ORB+改进算法与ORB+RANSAC算法对两组图片进行特征点匹配实验。实验表明,该算法能够有效剔除误匹配点,与RANSAC算法相比较精度提高了8%,匹配精度提高至97.43%。     

基于SIFT特征匹配的电力设备图像变化参数识别

在变电站视频监视系统中,可通过视频巡检来及时发现某些异常状态,以免产生故障。图像的某些参数的改变是判别图像状态改变的重要依据,提出了一种基于SIFT,OTSU和RANSAC相结合的特征匹配的电力设备图像变化参数识别算法。先对样本资料图像和监测图像进行SIFT特征匹配,与OTSU相结合消除干扰匹配特征点,再通过RANSAC随机抽样一致性算法消除错误匹配特征点,根据匹配结果识别电力设备图像变化角度和缩放比例这2个重要参数。仿真实验表明,此算法简单易行,精度高,可用于电力铁塔倾斜角度和指针式仪表指针旋转角度的识别,也可用于视频巡检中缩放系数的识别。     

一种改进的SIFT血管图像特征匹配算法

基于特征提取的图像配准在医学领域得到广泛的应用。为了将尺度不变特性变换算法更好地运用到血管图像特征提取与匹配中去,根据血管图像特点,采用曲线拟合确定合适的低对比度阈值,并为了提高SIFT算法的处理速度以及匹配准确度,对SIFT算法的特征描述子进行降维处理,在特征点匹配阶段采用基于模比较的匹配方法,通过对比特征点描述向量模的关系寻找匹配点。实验结果及数据表明：改进后的算法在提高匹配速率和降低误匹配率方面均有提高,对临床血管疾病治疗有重要意义。