基于AKAZE算法的图像拼接研究

针对基于KAZE特征检测的图像拼接算法实时性问题,提出一种简单有效的AKAZE拼接算法。该算法首先通过AKAZE算法提取图像特征点,接着计算M-LDB描述符从而生成特征向量。随后计算特征向量之间的汉明距离,提取出匹配的特征点对,然后利用RANSC算法估算全局单应性矩阵,根据动态线性变换算法求取重叠区域局部投影关系,结合两者统一投影平面,最后利用加权融合实现两幅图像的拼接。对KAZE、SIFT、SURF、ORB、BRISK进行性能实验比较,所用算法不仅对于高斯模糊、角度旋转、尺度变换和亮度变化等情况下保持良好的性能,而且处理时间大大缩短,实现了有效的图像拼接。     

高效高精度光照自适应的 ORB 特征匹配算法

针对非均匀光照下ORB图像特征检测算法存在特征点过于聚集、匹配准确率不高等问题,提出了一种高效高精度光照自适应的ORB图像特征匹配算法。利用自适应阈值提取待测图像的oFAST特征点,通过优化的四叉树分解法均匀分配,进一步提高了低照度或高曝光区域特征点的数量,随后,根据汉明距离进行特征匹配,使用改进的RANSAC算法剔除误匹配,提高ORB算法中特征点的匹配准确率。实验结果表明,针对具有明显光照变化的数据集,相较于ORB、MA、Y-ORB及S-ORB算法,本文算法的平均特征分布均匀度提高13.1%,特征提取时间节省26.3%,综合评价指标提升18.5%,可高效完成复杂场景变化下的特征匹配,对目标识别和三维重建等领域具有较强的应用价值。     

融合特征点与环状域检测的水下声呐目标匹配

由于水下环境复杂,声呐成像背景噪声大,水下目标匹配存在一定难度,提出了一种SURF算法结合恒虚警算法来提取目标区域特征点对,其次通过环状域检测来进一步寻找最优匹配点对,最后计算最优特征点对之间的几何关系确定尺度变换,旋转变换的大小,对待匹配图像进行旋转校正后可以更精确匹配地目标区域。实验与分析结果表明,计算模板图像与待匹配的目标区域之间的匹配重叠率,可以通过受试者工作曲线直观的看出该算法相比于BBS算法和改进的BBS算法的鲁棒性和抗噪性能更好,平均匹配准确率分别提高了32.59%和16.57%。     

YOLOv4 与 ORB 深度融合的绝缘子识别定位研究

为了解决复杂背景下铁路接触网绝缘子的快速准确识别及定位问题,提出了一种YOLOv4目标检测算法和ORB特征匹配算法深度融合的绝缘子识别定位方法。首先利用迁移学习的策略训练YOLOv4检测网络,解决了绝缘子数据集样本较少导致过拟合的问题;然后采用高斯金字塔提取图像多尺度特征,使原始ORB算法具备尺度不变性;最后将以上两种算法融合,在双目相机获取的图像上标出绝缘子识别框,并在左右图像识别框内提取特征点进行匹配,利用视差原理还原出绝缘子相对于相机的三维坐标。实验结果表明,该方法可以有效地避免复杂背景干扰,准确地定位出绝缘子的三维坐标,4 m内最大定位误差为2.1%,检测速度为35 fps,具有较高的精确性和实时性。     

面向智能运检管理的变电站运动目标立体匹配算法研究

针对目前变电站运动目标的立体匹配算法存在匹配点少、误匹配等问题,提出一种结合A-KAZE(Accelerated KAZE)算法和改进的SURF(Speeded Up Robust Features)算法的智能变电站运动目标立体匹配算法。采用A-KAZE算法用于提取两个图像的匹配特征点,利用二阶多尺度改进的SURF特征向量进一步计算二次响应,采用高阈值算法增加匹配点,随机采样一致算法消除不匹配点,完成匹配工作。通过实验比较,验证了该算法的有效性。实验结果表明,相对于未改进前匹配点对从908对提高到1 202对,匹配准确率从92.51%提高到96.17%,具有一定的实用价值。     

基于交叉检验ORB和MCC的图像模板匹配算法

针对传统ORB算法在进行图像模板匹配时稳健性和精确性较低的问题,提出了一种基于交叉检验ORB和最大相关熵准则(MCC)的图像模板匹配算法。首先对模板图像和目标图像分别进行ORB特征点检测,得到模板特征点集和目标特征点集,并利用各点的特征描述符建立两特征点集间的对应关系;然后对建立好对应关系的特征点对进行交叉检验,利用特征点的邻域支持点集从正逆两个方向计算对应点对的准确性;接着在剔除准确性较低的对应特征点对后,通过优化基于最大相关熵准则的代价函数实现两特征点集的精确仿射配准;最终完成图像模板在目标图像中的稳健匹配。该算法在处理大姿态形变和低分辨率下的图像模板匹配问题时具有较强的精确性和稳健性,在公共数据集上的实验验证了该算法优于当前主流的图像模板匹配算法。     

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%。     

改进 ORB 提取匹配算法的 SLAM 应用研究

由于传统的ORB特征点提取匹配方法在图像纹理信息不丰富或者光照变化剧烈时极易产生特征点丢失、分布不均等问题,不利于SLAM系统的定位与建图。为此本文提出了一套较为鲁棒、精度较高的提取匹配算法。首先基于ORB特征点对其提取算法进行改进,计算自适应阈值并基于网格模型提取特征点,可提高特征点提取的鲁棒性并使其分布均匀。此外还提出了G-R图像匹配算法,基于网格特征计算邻域支持估计量来区分正误匹配点,再结合引入评价函数的RANSAC算法进一步剔除误匹配点,相比ORB-SLAM2原始匹配算法提高匹配精度9.36%,并减少时间消耗约13.6%。最后将本文提出的特征点提取匹配算法加入到ORB-SLAM2算法框架,经数据集与实际场景验证本文方法能有效提高ORB-SLAM2系统定位精度36.6%以上,使系统更具鲁棒性。     

基于尺度限制SURF的图像配准

图像配准是数字图像处理中一个重要研究领域,是图像拼接、图像超分辨率重建的基础,基于尺度不变特征的图像配准已成为最近几年的热门研究领域,SURF算法是其中之一.对于具有尺度差异（SD）同时满足仿射变换的图像,传统SURF算法存在较大误匹配,从而影响最后的配准精度.针对误匹配问题,采用基于尺度限制（SR）的SURF算法并利用样本统计的方法来剔除误匹配,实验结果表明基于尺度限制的SURF算法能够有效的剔除误匹配,从而提高图像配准的精度.     

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.     

基于改进SURF算子的彩色图像配准算法

为了解决传统SURF算法存在的问题,提高彩色图像配准的精度和准确率,提出一种双向邻近匹配的彩色图像配准算法。该算法对传统的SURF描述符进行改进,将图像的色彩信息叠加在只包含灰度信息的传统SURF特征描述符上,组成改进的SURF特征描述符,以增强彩色信息对配准的影响,提高配准的准确率;采用FLANN算法搜索匹配点对,并对匹配点对进行双向邻近匹配,以提高搜索效率和匹配精度;利用改进RANSAC算法剔除匹配错误的特征点对,以进一步优化匹配结果。实验结果表明,该算法能够有效地提高彩色图像配准的精度和准确率,具有较好的鲁棒性和图像变换适应性。     

一种基于VINS的视觉里程计改进方法

同时定位与地图构建(SLAM)是当今机器人领域的主要研究课题之一。针对如何根据图像估计相机位姿问题,提出一种基于VINS的视觉里程计改进方法(ORLK-VINS)。首先,通过双目相机获取图像信息;其次,将图像信息进行直方图均衡化处理,使图像对比度和亮度得到改善;然后,对原图像特征提取算法进行改进,引入ORB算法中带有方向的FAST角点;最后再将提取的特征点进行正反向的LK光流跟踪匹配,保证匹配特征点的精确性。实验表明,经过改进后的视觉里程计相较于主流的VINS-Fusion算法,在某些场景下拥有更好的实时性和定位准确性。     

基于小波变换的新型SURF图像拼接方法

针对传统图像拼接算法特征点计算量大、耗时较长等问题,提出了一种基于小波变换的新型加速鲁棒特征算法(SURF)图像拼接方法。首先通过Haar小波函数对图像进行二阶分解以获取图像低频成分,并利用小波梯度矢量对低频图像重合区域进行特征点提取,从而实现低频图像下快速获得特征点的变换参数以指导高频图像下的特征点提取;在此基础上,提出一种SURF图像匹配改进算法,利用特征点约束的单向匹配和方向一致等性质,有效剔除误匹配点对,以提高特征点匹配精度和实时性。最后,通过两组实验验证了所提出方法的有效性和可行性。     

基于物体面对应的RGB-D图像拼接优化方法

针对RGB-D中深度图像分辨率低、范围小、噪声大而不利于三维重建的问题,研究了一种基于物体面对应的RGB-D图像拼接优化方法。先对RGB-D图像进行预处理对齐,使用基于特征匹配算法对特征点提取和粗匹配,其次通过本文研究的不同视角下同一物体面对应关系来剔除误匹配,最后根据单应矩阵得到宽视角的RGB-D图像以及三维模型。本文使用了尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)、加速稳健特征(Speeded Up Robust Features, SURF)和定向FAST和旋转BRIEF (Oriented FAST and Rotated BRIEF,ORB)三种算法来进行对比实验。实验结果表明,添加本文方法后的算法在有形变、旋转的图像上分别剔除41%、29%和52%的误匹配,均方根误差减少了5%、27%和33%。在缩放的图像上分别剔除53%、57%和51%的误匹配,均方根误差减少了14%、17%和28%,提高了匹配精度,验证了本文方法的可行性。     

基于SURF算法的HIFU治疗前后超声图像配准研究

高强度聚焦超声(HIFU)治疗过程中,医生通常将治疗前后的超声监控图像直接相减,得到治疗区域的图像来判断治疗效果。由于治疗后病人的体位可能会变化,导致治疗前后采集的图像发生偏移,通常需要先将HIFU治疗前后的超声监控图像进行配准。提出了一种基于加速鲁棒性算法(SURF)和超声监控图像散斑特征的快速图像配准方法。首先利用经典的SURF特征检测器分别提取治疗前和治疗后超声图像中的特征点,采用欧式距离匹配提取的特征向量,通过超声图像的固有属性散斑特征的分布规律优化配准参数并用RANSAC算法去除错误匹配点对,最后利用最小二乘法求出图像之间的映射关系完成配准。实验结果表明,该算法能自动搜索治疗前后超声监控图像中的对应特征点,比传统的人工筛选特征点效率更高,且利用散斑特征的分布规律优化后的SURF算法相比标准的SURF算法配准精度更高。