一种案件现场全景图像的精确匹配算法

图像匹配是全景图像拼接过程中的核心技术。本文针对犯罪案件现场重建过程中的图像匹配环节,提出了一种精确的匹配算法。算法首先用分割线对待匹配图像交叉分块;再采用小波多尺度变换边缘检测算法对分出的每一子模块提取边缘;运用自适应直线拟合方法在提取出的边缘中查找出角点,作为匹配的准特征点;平移分割线后再重复一遍上述准特征点提取过程,并对两次提取出的准特征点作交集运算;将运算得到的点作为最终的特征点进行图像匹配。实验证明,该算法能够精确地实现现场图像的匹配。     

特征点和不变矩结合的遥感图像飞机目标识别

传统的飞机目标识别算法一般是通过目标分割,然后提取不变特征进行训练来完成目标的识别。但是,对于实际情况比较复杂的遥感图像飞机目标,至今没有一种适合多种机型的分割和识别算法。针对现有识别算法的不足,本研究提出一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的遥感图像飞机目标识别算法。方法：首先,对预处理后的遥感图像和模板图像进行小波变换,在低分辨率图像下采用圆投影特征进行粗匹配,确定候选目标;粗匹配结束后,提取高分辨率图像的多尺度Harris-laplace角点,并画出Delaunay三角网,同时提取出颜色不变矩和Zernike不变矩;然后使用欧氏距离作为这三种特征的相似性度量,并和样本图像进行加权匹配;最后选取欧式距离最小的图像作为最终的识别目标。结果：实验表明,本文算法飞机检测精度比现有算法高2.2%,飞机识别精度比现有算法高1.4%-10.4%。该算法能从遥感图像中精确识别出十大飞机目标,并对背景、噪声、视角变化等多种干扰具有良好的鲁棒性。结论：提出了一种基于特征点空间分布、颜色不变矩和Zernike不变矩相结合的飞机识别算法,该算法使用了图像的多种信息,包括特征点和不变矩,有效地克服了使用单一特征无法描述多种信息的不足。实验结果表明,本文采用基于特征点和不变矩的飞机识别算法比其他算法具有更强的抗干扰能力和识别精度。     

一种基于特征的全自动图像拼接算法

提出了一种基于特征的图像自动拼接算法，本算法采用Harris角点检测算子提取特征点，并对特征角点进行初始匹配与求精，利用最小中值法去除局外点，使变换矩阵计算精确。最后进行颜色融合，生成无缝拼接图像，在大多数情况下，算法可自动完成，实验结果表明，该算法取得了理想的拼接效果。     

基于自适应阈值的ORB特征点提取算法研究

在弱纹理场景下,针对ORB算法提取特征点过程中,固定阈值检测FAST角点可能会导致提取效果不佳进而影响匹配精度,提出了自适应阈值的ORB特征点提取算法,通过图像灰度差值和像素分布概率来计算图像对比度,根据对比度动态计算角点检测阈值。然后根据动态阈值算法实现特征点的提取,采用暴力匹配算法和快速最近邻接匹配（FLANN）两种匹配算法,在EuRoc数据集上分别对比了ORB算法、SIFT算法与该算法的特征点匹配精度和耗时。结果表明,在匹配精度上比ORB算法提升了26.6%,比SIFT算法提升了32.7%。     

红外与可见光图像特征点边缘描述与匹配算法

针对红外与可见光图像中特征点匹配的难题,提出一种基于形状上下文的特征点邻域边缘描述与匹配算法.首先采用基于曲率尺度空间的角点检测算法进行特征点提取,并将特征点所在曲线的法线作为主方向,避免了图像的旋转代价;然后搜索相同边缘上最近的特征点,通过计算这2个特征点邻域的边缘的像素点分布直方图构造一个120维的特征点描述符,并进行归一化;最后采用最近邻算法实现特征点匹配.实验结果表明,该算法能够有效地实现对红外与可见光图像特征点的精确匹配.     

基于角点检测与SIFT算法的快速匹配方法

针对复杂图像的快速匹配问题,提出一种新的基于Shi-Tomasi角点检测与SIFT算法的高精度快速匹配方法。该方法充分利用图像的角点特征、灰度和位置信息,采用SIFT算法中的特征描述方法进行图像特征描述,并用Ransac算法对匹配点进行校正和消除错误匹配,提高计算速度和可靠性。实验结果验证了该算法对于存在较大色差、形变等图像可实现精确快速匹配,其精度和速度都优于传统的匹配算法。     

基于二维Gabor小波变换的角点匹配算法

图像配准研究的核心问题在于提高配准的速度和精度,而图像配准的结果主要取决于特征的匹配精度。为了提高特征匹配精度,本文提出了一种基于二维Gabor小波变换的角点匹配算法。该算法首先采用改进的Harris角点检测方法提取角点,得到角点位置的坐标,利用多个二维Gabor小波模板对参考图像和待配准图像进行滤波,从滤波图像中提取角点坐标处的复Gabor小波系数,并以此作为角点的特征描述,然后引入两种相似性度量因子对角点进行匹配。通过对不同图像进行大量的实验,该算法在选择合适的参数,同时采用最长公共子序列度量因子的情况下,能成功提取较多的同名点对,并且能够取得较高的匹配率。     

基于颜色特征的宽基线图像的点匹配算法

本文通过Harris算法提取角点,利用Fourier—Mellin变换估计图像大致的旋转、尺寸和平移参数．计算粗匹配点集,以粗匹配点为中心划定一小块区域,然后利用颜色特征具有旋转和尺寸不变的特性,对图像块的颜色矩进行匹配,从而得到精确的点对应关系。实验表明本算法在图像间有较大差别时能够较为准确地实现特征点的匹配。     

基于Gabor滤波器和聚类的图像配准算法

提出一种基于多尺度、多方向Gabor滤波器提取图像局部不变特征并用AP聚类进行约束的配准算法。该方法首先利用Gabor尺度空间核函数对图像进行尺度空间分解,在每一层尺度图像的不同方向上提取Harris角点,在以Harris角点为中心的固定大小的搜索窗内搜索三维尺度空间的极值点作为局部特征点的位置和特征尺度;在特征子区域内用梯度描述特征点;将得到的两幅图像的特征点AP聚类分析,实现m:n的粗匹配,最终通过各类之间的欧式距离实现对应点的匹配,通过AP聚类可有效排除多相似内容的图像之间的误匹配。实验结果表明,该算法能够提取稳健的精确特征点,并且可以有效去除多相似内容图像带来的匹配误差,实现图像的配准。     

海浪绘制中波浪谱的选择和参数计算

针对红外与可见光图像中特征点匹配的难题,提出一种基于特征点邻域边缘的描述与匹配算法。首先采用基于曲率尺度空间的角点检测算法进行特征点提取;再对特征点邻域的边缘进行重组;其次求取特征点所在曲线的法线作为主方向,以避免图像的旋转代价;计算特征点邻域像素点的B-LBP算子的加权分布直方图;然后搜索相同边缘上最近的特征点并计算相应的直方图信息;再对两个直方图进行级联,构造出512维的UB-LBP联合描述子,并将其归一化;最后采用最近邻算法实现特征点匹配。实验结果表明,这两种描述子在红外与可见光图像特征点匹配方面较SIFT算法具有较高的正确匹配率,能够实现两种图像的精确匹配。     

砂轮地貌双目图像特征点提取和匹配研究

特征提取和匹配是双目视觉中的关键点和难点。对SIFT和Harris两种特征点提取算法应用于双目砂轮地貌图像的角点检测进行了研究,通过对SIFT特征采用欧式距离进行匹配,对Harris角点采用零均值归一化互相关算法(ZNCC)进行模板匹配,采用RANSAC算法剔除误匹配特征点对。实验结果表明,SIFT算法在双目砂轮地貌图像上应用较Harris算法效果理想。     

一种平移旋转图像的角点匹配方法

在图像角点匹配过程中,目标图像往往存在平移旋转现象,直接影响匹配效果,为此提出了一种平移旋转图像的角点匹配方法。该方法首先利用角点检测生成自相关矩阵的梯度信息与仿射变换相结合,构造确定性退火算法中的自由能函数,然后对该自由能函数进行优化,获取待匹配角点间的仿射变换参数,最后利用该变换参数实现角点匹配。实验结果表明,该方法能够在目标图像发生平移旋转的情况下,有效实现角点匹配。     

基于Harris角点匹配的目标跟踪

采用Harris算子提取图像角点,将角点进行NCC运算后求得粗匹配对数,使用Ransac匹配算法进行精匹配。考虑到角点匹配过程中误匹配情况的存在,改进了基于角点匹配的目标跟踪方法,采用计算角点偏移均方差的方法,剔除偏移量较大的点,取匹配效果较好的前几个匹配角点来计算当前窗口的移动位置。     

基于LBP的鲁棒特征提取与匹配方法研究

针对现有的Harris角点提取算法在图像匹配法中,存在精度低、抗干扰和抗光照变化能力弱的缺陷,提出一种基于局部二进制模式（Local Binary Patterns,LBP）和图变换匹配算法（Graph Transformation Matching,GTM）相结合的鲁棒精确匹配算法。采用改进的Harris边缘特征检测提取特征点并选取图像块作为特征区域;采用改进的中心对称局部二进制模式（Center Symmetric Local Binary Patterns,CSLBP）对高维特征进行降维生成24维特征描述子,并依据欧氏距离实现图像粗匹配;采用图变化匹配法剔除误差匹配来改善匹配的精度和鲁棒性。测试结果表明,所建议算法是有效的,它不仅具有良好的抗尺度和旋转变化特性,而且具有较强的噪声抑制能力和抗光照变化能力。提出的鲁棒性算法不仅充分考虑到传统特征匹配算法优缺点,使检测与匹配结果更加准确,而且较Harris算法以及LBP算法稳定性和准确度有了明显的提高。     

基于形状模板匹配的图像拼接算法

文章提出了一种基于形状模板匹配的图像自动拼接方法。提取图像的角点作为特征点,利用归一化梯度模板对其进行预匹配,然后利用形状模板在四个方向对模板内图像的边缘点与模板边界的最短距离进行统计,获取模板图像的结构特征向量以实现对特征点的精确匹配。实验结果表明该算法具有较好的实用价值。     

基于区域划分的角点检测

本文主要研究角点检测中全局/局部的搜索算法,针对该算法效率较低的情况提出了改进的角点检测算法. 该算法采用相似金字塔计算原理构造多层图像,同时采用多尺度Harris算子分层搜索并提取图像特征角点,经过分层图像、分区域图像的特征角点进行融合计算,实现了目标特征点寻找. 该算法主要在角点检测上考虑不同层次的图像和单张图像区域关系,并且通过特征点周围像素的变化参数来实现目标的定位. 实验结果表明,本文提出的改进算法提高了总体定位的速度,降低了误定位的概率.     

基于Laplace的LSSIM图像配准算法

提出一种基于Laplace变换的图像配准算法. 首先利用经典的角点检测算法提取待匹配图像的特征点或角点; 其次利用相位相关法估算出两幅图像的重叠区域, 以缩小匹配范围; 然后对角点邻域模板区域施行Laplace变换; 最后利用基于改进的SSIM (结构相似性)作为相似性度量准则建立特征点之间的匹配关系. 实验结果表明, 该方法可以很好的完成特征点匹配, 匹配点对充足且具有很高的准确率, 而且对亮度差异具有一定的鲁棒性, 从而保证图像配准精度.     

基于特征点匹配的步态识别

基于图像特征点匹配的算法思想,结合步态能量图(GEI),提出了一种适用于2幅GEI匹配的步态识别方法.在GEI中采用改进的FAST算法提取特征点,并采用具有良好特征描述性能的BRIEF算法描述特征点.考虑到GEI匹配不要求特征点具有旋转不变性,提出了一种质心角约束条件加速特征点的匹配.在CASIA数据库B库上的实验结果表明:方法在识别率和特征计算时间上均具有良好的表现.