基于投票策略的图像配准算法(英文)

针对二维刚体图像配准,本文提出了一种由粗到细的图像配准方法.该方法首先由多尺度Harris角点检测算法提取出参考图像和目标图像的特征角点,采用基于投票策略的特征点匹配算法进行初步配准,有效地减少假点和不稳定点,然后对变换矩阵参数进行初估计,采用基于窗的精细算法对变换矩阵参数进行精估计,并得到最终的变换矩阵.实验结果表明,该算法具有高精度,对噪声鲁棒和低计算量的特点.     

基于虚拟点的可见光和SAR图像配准研究

本文以机场场景下的可见光和SAR图像为研究对象,提出了一种基于虚拟点特征的可见光和SAR图像配准方法.该方法以虚拟点特征和控制点匹配技术为基础,处理具有全局仿射几何失真的异源图像配准问题.首先根据两类图像的特点,使用Canny算子和一种兴趣算子提取两幅图像中的共有特征一直线特征,然后在直线特征的基础上拟合虚拟点特征,采用基于特征一致的粗配准和基于虚拟点特征的精确配准相结合的方法,对两幅图像实现由粗到精的自动配准,实验结果表明,本文方法可行且能取得较高的配准精度.     

具有SIFT描述的Harris角点多源图像配准

多源传感器成像原理的差异给图像配准带来了很大困难,本文针对红外与可见光图像配准提出了一种具有SIFT描述特征的Harris角点多源图像配准算法。首先建立多尺度空间,以多尺度空间检测尺度不变的Harris角点作为特征点;然后通过改进SIFT对特征点的描述方法,采用圆环结构算子对Harris角点进行类SIFT的特征描述;最后利用双向最近邻方法进行匹配,通过最小二乘法实现图像的配准。实验证实了算法配准的精确性、快速性和稳定性,具有较好的配准效果。     

结合三角几何约束的局部自相关性图像拼接算法研究

针对工业零视觉精密检测中高分辨率镜头固有的小视场问题,本文提出一种利用特征点之间的三角几何约束关系对特征点的局部领域进行自相关分析的算法,该方法根据重叠图像间的相关性,采用改进的图像配准方式实现了小视场高分辨率小模数齿轮图像的快速准确拼接。实验结果表明,拼接图像与原图像的结构相似度超过0.98;与现有通过区域配准及特征点配准的图像拼接算法相比,在拼接性能和运算复杂度之间取得了较好的平衡,适合在快速、精密的工业零部件视觉检测中的应用。     

复合材料序列图像的分层次配准

在复合材料图像三维重构技术中,为了避免直接运用基于特征点的整体配准陷入局部极优,采用分层次的配准方法.首先使用不变矩计算出上下层图像中最相似的颗粒轮廓,然后使用主轴的配准方法完成上下层图像的初步配准,以大幅度减少特征点配准中的优化搜索范围.在计算出轮廓曲线上特征点的基础上,应用最大熵原理和lagrange乘子将点集之间的匹配转化为一个能量函数,再使用最小二乘法计算出使该能量函数值最小的空间变换,得到配准的最优解,从而实现了序列图像的整体精确配准.实验结果表明,本文提出的分层次的配准方法极大地降低了配准过程陷入局部极优的概率,具有较强的鲁棒性和较高的配准精度.     

基于二阶矩显著性估算的局部不变特征提取

借鉴图像显著性区域的检测思想,提出一种基于局部二阶矩显著性估算的局部不变特征提取算法.利用二阶矩矩阵对尺度空间下局部图像的各向异性程度的估算作用,在图像尺度空间中对局部特征提取区域的信息显著性进行评估,并根据显著性进行局部不变特征的提取,提取出拥有较高显著性的局部不变特征,增加了匹配特征点对的数量和尺度跨度.真实图像实验证明,该算法在保持局部特征各种不变性的基础上有效地提高了特征提取和匹配算法的性能.     

多重约束下由粗到精的多源图像自适应配准算法

本文提出了一种多重约束下由粗到精的多源图像自适应子像素级配准算法.该算法采用影像特征点作为匹配基元,利用具有不同精度等级的组合判据法、整体松弛法、最小二乘法实现由粗到精的匹配,同时在匹配过程中加入了多重约束,如定位点控制约束、交叉匹配约束、连续控制约束,以保证获取的配准控制点的可靠性和剔除粗差点.此外,该算法利用配准控制点自适应地构建整个图像的三角网,最后依据改进的三角形填充算法对目标图像进行逐像点纠正.对同源和非同源的遥感图像的实验证明,SPOT4全色图像(10m/pixel)和SPOT5多光谱图像(10m/pixel)的配准精度分别达到6～7m和5～6m.     

基于轮廓特征的图像配准

提出了一种新的基于轮廓特征的图像配准算法,首先提取图像轮廓并计算每个轮廓点的法向角,然后对轮廓点法向角进行直方图统计,通过对两幅图像的轮廓点法向角直方图进行圆周相关计算便可快速估计出两幅图像所存在的旋转角度.由于旋转角度参数的求出通常可以大大简化配准变换模型中其他参数的估计,因而这种方式可以实现快速配准.这种利用轮廓点法向角来估计旋转角度的方式具有旋转、平移和尺度不变性,并对轮廓缺失以及存在噪声的情况均具有很高的鲁棒性,可广泛适用于存在闭合轮廓与开轮廓的各种情况.本文所提出的配准算法已成功应用于PCB缺陷检测中实现了参考图像轮廓和待检测图像轮廓的快速精确配准.     

相似度距离耦合角度径向变换的图像配准算法

目的为了解决当前图像配准算法因利用l1距离或l2距离相似度测量手段来完成图像特征点匹配,使其忽略了相位信息,难以有效消除高斯噪声的影响,使其配准精度与效率不佳不足的问题。方法提出最优相似度距离耦合角度径向变换的抗噪图像配准算法。首先引入角度径向变换,以降低算法复杂度,快速提取图像的特征点。然后联合图像的幅度和相位信息,基于欧式距离测度,定义最优相似度距离测量模型,通过求解其全局最小值,对特征点完成匹配,提高算法的抗噪性能。最后将图像分割为内点与外点,择取6个内点,通过计算其变换矩的几何配准误差,改进随机样本一致策略,对匹配进行提纯,消除误配。结果仿真实验结果显示,与当前基于l1距离或l2距离相似度测量的图像配准技术相比,该算法具有更强的抗高斯噪声性能和更高的匹配精度,且算法时耗最短。结论所提算法能够精确完成图像特征配准。     

基于尺度、方向和距离约束的改进SIFT配准方法

针对SIFT算法在图像配准过程中存在遗漏掉大量的正确匹配对且产生误匹配对等问题,本文提出一种基于尺度、方向和距离约束的改进SIFT配准方法(SODC-SIFT).首先用SIFT算法对图像进行初匹配,利用特征点的尺度和主方向的差异剔除误匹配对;然后用最小二乘法求出两幅图像的几何关系;最后利用距离约束,迭代求解,找出正确匹配对,从而实现图像的精确配准.实验结果表明,本文方法与SIFT算法相比具有较强的鲁棒性,能够提升正确匹配对的数量并提高图像的正确匹配率,增强了算法匹配的精确性.     

基于卷积神经网络的印刷套准识别方法

目的 针对目前印刷套准识别方法依赖于经验人工设计特征提取的问题,提出一种不需要人工提取图像特征的卷积神经网络模型,实现印刷套准状态的识别.方法 采用图像增强技术实现不均衡训练集的均衡化,增加训练集图像的数量,提高模型的识别准确率.设计基于AlexNet网络结构的印刷套准识别模型的结构参数,分析批处理样本数量和基础学习率对模型性能的影响规律.结果 文中方法获得的总印刷套准识别准确率为0.9860,召回率为1.0000,分类准确率几何平均数为0.9869.结论 文中方法能自动提取图像特征,不依赖于人工设计的特征提取方法.在构造的数据集上,文中方法的分类性能优于实验中的支持向量机方法.     

一种新的印刷图像检测系统的设计与实现

为了满足实际印刷生产中对大面积印品图像进行高速度、高精度配准检测的需要,设计出了一种新的印刷图像检测系统。该系统使用多个CCD同步获取图像信息,并采用CPLD配合PCI总线的方式实现图像数据的采集和传输控制,并采用了一种新的图像配准算法。系统相关程序和算法由DDK结合VC语言编程实现。实验表明,该系统基本满足了实时性要求,其图像配准的速度更快、精度更高、适应性更强,具有一定的实用价值。     

Research on Multi-View Image Reconstruction Technology Based on Auto-Encoding Learning

Traditional three-dimensional (3D) image reconstruction method, which highly dependent on the environment and has poor reconstruction effect, is easy to lead to mismatch and poor real-time performance. The accuracy of feature extraction from multiple images affects the reliability and real-time performance of 3D reconstruction technology. To solve the problem, a multi-view image 3D reconstruction algorithm based on self-encoding convolutional neural network is proposed in this paper. The algorithm first extracts the feature information of multiple two-dimensional (2D) images based on scale and rotation invariance parameters of Scale-invariant feature transform (SIFT) operator. Secondly, self-encoding learning neural network is introduced into the feature refinement process to take full advantage of its feature extraction ability. Then, Fish-Net is used to replace the U-Net structure inside the self-encoding network to improve gradient propagation between U-Net structures, and Generative Adversarial Networks (GAN) loss function is used to replace mean square error (MSE) to better express image features, discarding useless features to obtain effective image features. Finally, an incremental structure from motion (SFM) algorithm is performed to calculate rotation matrix and translation vector of the camera, and the feature points are triangulated to obtain a sparse spatial point cloud, and meshlab software is used to display the results. Simulation experiments show that compared with the traditional method, the image feature extraction method proposed in this paper can significantly improve the rendering effect of 3D point cloud, with an accuracy rate of 92.5% and a reconstruction complete rate of 83.6%.     

区域灰度分布耦合相似判定策略的图像匹配算法

目的为了解决当前因图像匹配算法主要依靠提取图像的特征属性矢量进行度量,从而利用其对应的相关系数最大的点进行匹配时导致匹配结果中存在较多的错误匹配点以及匹配误差变大的问题。方法提出区域灰度分布耦合相似判定策略的图像匹配算法,首先利用Forstner算子来提取图像的特征点,以特征点为中心,采取建立极坐标系的方法来确定特征点的主方向,通过特征点邻域的灰度特征来生成低维度的特征描述子;然后引入归一化互相(NCC)函数对特征点之间的相似度进行评估,建立矩形窗口特征点双向匹配规则,完成特征点的匹配,以提高特征点之间的匹配准确度和算法鲁棒性;最后,根据正确匹配特征点组成的三角形具有相似性的特征,设计相似判定策略,对错误匹配点进行剔除,以改善匹配精度。结果实验结果表明,与当前图像匹配技术相比,文中匹配算法具有更高的匹配精度与效率,有效降低了特征点的误匹配率。结论所提图像匹配技术具有较高的配准精度,在图像伪造、包装条码识别等领域具有一定的应用价值。     

良分布的多特征遥感图像自动配准算法

针对基于点特征的遥感图像自动配准算法中存在特征点分布不均匀的问题,提出了一种基于SIFT(尺度不变特征变换)、Harris-Laplace(多尺度角点)、MSER(最大稳定极值区域)特征提取算法的多特征遥感影像配准方法。通过多特征与二次匹配,极大的提高了匹配点数目;通过基于距离的筛选,保证匹配点分布均匀合理;通过局部互信息精校正,使匹配点精度更高,最终达到高质量(空间分布均衡,匹配精度高)自动配准目的。     

基于梯度与归一化互信息的印刷图像配准

目的为了提高印刷图像配准的精度。方法提出一种基于梯度和归一化互信息的印刷图像配准方法。首先获取图像的归一化互信息,同时使用边缘检测算子获取图像边缘梯度的模值和方向角,然后根据边缘梯度信息和归一化互信息构造新的测度函数,以新的测度函数为目标函数,用Powell优化算法获取用于配准的最优参数。结果通过将文中提出的方法和基于归一化互信息的图像配准方法分别用于印刷图像配准,得到的统计实验结果表明,对于100项随机配准参数,新方法得出的配准误差波动幅度更小,配准精度更高。结论文中所提方法在准确性上优于基于归一化互信息的图像配准方法。     

基于特征融合与降维的印刷套准识别方法

目的针对单一方面特征难以准确表达印刷标志套准状态的问题,研究印刷标志图像多维特征提取、融合和降维的印刷套准识别方法。方法提取印刷标志图像的灰度共生矩阵、Tamura纹理特征、灰度差分统计特征和灰度梯度共生矩阵表达其纹理,并采用主成分分析法对融合后的多维特征进行降维处理,得到主特征。将印刷标志图像的主特征数据分成训练集和测试集。支持向量机模型通过对训练集的学习确定模型参数,然后在测试集上验证模型的性能。结果文中建议方法在测试集上的识别准确率为99%,训练集对支持向量机模型的训练时间为1.9327 s,模型在测试集上的识别时间为0.0307 s,模型的总体时间(训练时间和识别时间之和)为1.9634s。结论文中建议方法优于采用单一方面特征的识别准确率;同时在不影响识别准确率的情况下,优于未PCA降维方法的模型训练时间、识别时间和总体时间。     

基于最近邻搜索耦合近邻损耗聚类的图像伪造检测算法

目的为了解决当前图像伪造检测算法在对图像进行伪造检测时,主要依靠全局搜索的方式来完成特征点匹配,导致其检测效率较低,且在对复杂伪造图像进行检测时,易出现检测精度不高和检测错误的不足。方法提出基于最近邻搜索耦合近邻损耗聚类的图像伪造检测算法。首先引入积分图像的方法,对图像进行预处理,借助Hessian矩阵行列式来提取特征点。利用特征点构建圆形区域,通过求取圆形区域内Haar小波响应获取特征点的特征描述符。然后通过特征描述符建立KD树索引,利用最近邻搜索方法代替SURF中全局搜索的方法,对SURF进行改进,完成特征点的匹配。最后,利用特征点间的近邻关系求取近邻函数值,通过近邻函数值对特征点进行聚类,完成图像的伪造检测。结果实验结果显示,与当前图像伪造检测算法相比,所提算法具有更高的检测效率以及更高的检测正确度。结论所提算法具备较高的检测精度,在印刷防伪与信息安全等领域具有较好的应用价值。