基于SIFT特征匹配的图像无缝拼接算法

基于尺度不变(SIFT)的特征匹配思想和像素加权平滑的图像融合思想,提出了1种鲁棒、精确的图像拼接算法,从而解决尺度、视角及光照变化较大情况下图像拼接问题。SIFT特征匹配算法利用128维向量对特征点进行描述,利用最近邻法完成2幅图像特征点的匹配。对于粗匹配产生的误匹配对,应用随机抽样一致性算法(RANSAC)进行筛选,同时估计模型参数,并借鉴加权平滑算法消除拼接图像之间的缝隙,进一步提升拼接效果。实验结果表明,该算法在继承了SIFT算法鲁棒性的同时,进一步提升了拼接精度,降低了图像亮度等差异的影响,使拼接图像自然逼真。     

基于SIFT特征匹配的监控图像自动拼接

针对不同摄像头的监控图像,提出了一种优化的SIFT特征匹配的监控图像自动拼接方法。在图像整合方面,通过高速提取SIFT特征描述符并进行稳定精确匹配,利用改进RANSAC算法去除错配,从而确定待拼接图像之间的变换参数;在图像融合方面,有效消除了颜色和光照差异,最终实现自动的无缝拼接系统。实验结果证明该方法对重叠区域小、形变大、有运动遮挡和噪声的监控图像有较完美的拼接效果。     

基于改进SIFT特征点匹配的图像拼接算法

基于传统SIFT方法和图像像素加权平滑融合的思想,提出了一种改进SIFT特征点的图像拼接方法;该方法首先利用Canny边缘检测算法获得图像的边缘点坐标,通过和SIFT算法关键点坐标进行对比,去除不稳定响应点;其次通过K-L变换降低算法复杂度,对得到的匹配点对,使用RANSAC算法进行提纯,计算投影变换模型参数;最后使用渐入渐出的加权融合算法平滑图像,消除图像之间的拼接缝隙;该算法的可行性和有效性通过实验结果可以得到证明。     

基于SIFT特征点的图像拼接技术研究

给出一种基于特征点的图像拼接方法,该方法采用对于尺度具有鲁棒性的SIFT算法进行特征点的提取与匹配,计算出特征匹配点后,使用RANSAC算法剔除误配,并计算出两幅图像之间的坐标变换关系矩阵H.最终使用加权平滑算法完成了图像的无缝拼接.实验证明,该算法有效提高了图像拼接的效率和准确性.     

基于SURF特征匹配的图像拼接算法

提出了一种了基于SURF（speed up robust features）特征匹配的图像拼接算法。SURF方法是一种快速且鲁棒性较好的特征提取算法,用该算法提取图像特征后,使用改进BBF（best bin first）的快速匹配算法来寻找图像间的匹配点;用LM算法对单应性矩阵进行优化时,本文提出使用梯度误差函数增强对光照变化的鲁棒性;最后采用多分辨率融合方法进行图像融合,有效地消除了拼接痕迹,并保持较高的分辨率。实验结果验证了该算法的高效性,对存在旋转、尺度缩放、视角以及光照变化的图像都具有良好的效果。     

一种基于SIFT和改进RANSAC的稳健图像拼接算法

针对图像间因存在旋转以及采集图像时光线强度的差异等现象而导致的拼接效果不理想和拼接速度慢的问题,作者提出了一种基于SIFT和改进RANSAC的稳健图像拼接算法,具体包括SIFT特征提取、图像配准以及图像的加权平均融合等步骤。其中,该文重点研究了图像配准这一阶段,此阶段包括图像的初始匹配和精确配准两步,实验证明该拼接算法不仅可以很好的拼接存在平移、旋转、尺度缩放、视角以及光照变化的图像,而且较之传统的RANSAC算法,改进的RANSAC算法迭代次数变少了并且运行时间也减少了,拼接效率得到了明显的提高。     

一种基于特征点匹配的图像拼接方法研究

针对图像间因具有旋转及光线强度差异等现象而导致的拼接效果不佳及拼接速度慢的问题,提出一种基于特征点的配准算法;在特征点提取阶段,尺度不变的特征变换方法 (SIFT)具有对图像尺度缩放、旋转、放射变换以及亮度变化保持不变的优点,文章采用了改进的SIFT特征点提取算法;在特征点匹配阶段,采用改进的RANSAC算法对特征点匹配对提纯;最后用加权平均法实现拼接图像的融合;实验证明,该算法有效提高了图像拼接的效率和准确性,拼接精度可以达到亚像素级。     

基于SIFT特征跟踪匹配的视频拼接方法

针对不同摄像头的监控视频序列,提出了一种基于视频帧SIFT（Scale Invariant Feature Transform,即尺度不变特征变换）特征跟踪的拼接方法。通过SIFT算法提取帧图像的特征,并在跟踪的估计区域搜索匹配特征,从而确定待整合帧之间的变换参数。实验结果表明,该方法较好实现视频快速拼接,且对重叠区域小、形变大、有运动物体遮挡的视频具有较强的鲁棒性。     

一种基于特征点匹配的图像拼接算法

本算法首先采用边缘检测缩小了待提取的特征点的寻找范围,然后根据图像中各列边缘点的梯度最大值提取特征点,进而确定两幅图像的缝合点及其匹配位置,最后通过对图像的重叠区域进行平滑过渡处理,实现了待拼接图像的无缝拼接。实验表明,本算法能较好的实现图像拼接。     

利用SIFT特征的非对称匹配图像拼接盲检测

复制粘贴伪造图像鉴定检测图像中的疑似相似区域。传统的逐像素或逐块的鉴定方式耗时冗长。提出一种利用SIFT(尺度不变特征转换)特征的非对称搜索的复制粘贴伪造图像盲检测算法,算法利用图像SIFT特征初步定位复制粘贴伪造疑似区域,利用非对称特征搜索方式进行方向性的特征匹配,准确定位复制粘贴伪造区域。实验结果表明,本文算法能够准确检测复制粘贴伪造区域,检测结果不受高斯、椒盐等噪声的影响,检测效率比传统算法提高了1～2个数量级。     

基于SIFT特征的图像匹配算法实现

针对SIFT算法的工程实现问题,详细分析了该算法原理和执行过程.在对SIFT算法原理进行分析时,充分结合Rob Hess的SIFT源代码,并将SIFT算法应用到实际图像的特征提取和匹配中.实验结果表明,SIFT算法提取的特征点对图像缩放、视点变化等具有很好的适应性和准确性,可以应用到图像识别及图像重建等领域.     

基于SIFT算法的红外图像拼接方法改进

针对红外图像拼接误匹配点过多、耗时过长等问题, 对基于SIFT算法的红外图像拼接方法进行改进. 首先利用高斯差分金字塔建立尺度空间, 然后利用FAST算法对高斯差分金字塔图像进行特征点提取, 提高了算法运行效率, 随后以特征向量的欧式距离作为特征点的相似性度量, 从而找到初始匹配点对, 并利用结合了方向一致性判断的Ransac算法剔除错误匹配点对, 最后用加权平衡算法实现图像的快速融合. 通过红外人物图像拼接实验, 证明改进后的算法在旋转、缩放、光照等情况下更稳定、效率更高, 有较大的理论和应用价值.     

立体匹配SIFT图像特征点提取算法仿真研究

研究图像特征优化提取技术。针对同一场景下的投影图像总是存在着一定的差异,造成了图像特征点提取精度低等不足,提出了一种改进的SIFT图像特征点提取算法,采用了SIFT算子算法和立体匹配算法相结合的混合算法。首先给出了图像特征点的相关定义,然后算法对所有像素点进行一次全面地判断,快速而准确的去除掉一部分没有关系的点,在剩余点中选取图像的特征点。实验结果证明了提出的方法能够有效地提取图像关键点信息。     

基于SIFT的图像匹配算法

直接用SIFT算法对较模糊图像进行关键点提取时,提取的关键点个数较少且进行下一步匹配时错误匹配较多。提出一种基于SIFT特征的匹配算法,首先利用拉普拉斯算子对图像进行锐化处理,使其边缘得到突出,然后利用SIFT算法进行关键点提取,最后利用双向匹配算法进行图像匹配。实验结果表明,利用本文算法进行匹配比直接用SIFT算法进行匹配时的匹配点数更多,匹配效果更好。     

基于SIFT图像特征提取与FLANN匹配算法的研究

提取图像的特征点并进行匹配,是三维重建中的关键技术之一,将尺度不变特征变换算法SIFT应用到图像的特征点提取与匹配中,SIFT算法主要就是在在构建成功的尺度空间中寻找出极值点,寻找出稳定的特征描述,特征描述必须具备以下特征,对尺度、光照以及图像的变形都要具有很强的适应能力,本文研究了SIFT这种应用广泛的特征点提取算法,利用高维数据的快速最近近邻算法FLANN进行特征匹配,找到图像中准确的匹配点对,通过实验比校了这种算法的特征点提取在不同光照,平移,旋转下的结果。     

基于Ncut的SIFT特征匹配算法

经典尺度不变特征变换(SIFT)特征匹配算法存在实时性差、纹理相似区域易发生误匹配的问题。为此,提出一种基于归一化分割(Ncut)的SIFT特征匹配算法。针对相同背景的运动视频,将归一化分割算法的图论聚类思想融入SIFT特征匹配中,根据运动趋势相似度对特征点进行Ncut运动聚类,再逐类分别匹配,通过缩小各特征点匹配过程中的搜索范围,减少匹配时间及不同特征类之间的误匹配。实验结果表明,该算法能提高匹配效率,对纹理相似区域的误匹配现象有较好的抑制作用,实现了相邻图像帧的特征稳定匹配。     

基于向量夹角的SIFT特征点匹配算法

提出一种基于向量夹角的近似最近邻搜索算法.该算法首先计算高维空间向量与随机选择的参考向量的夹角,并进行排序.计算出待查询向量与参考向量的夹角后,采用二分搜索算法在已排序夹角中查找对应的夹角,并以此夹角为中心,在一定范围内搜索给定向量的近似最近邻.实验结果表明,文中算法可显著提高尺度不变特征变换特征的匹配速度,并能获得满意的匹配效果.     

基于快速SIFT特征提取的模板匹配算法

针对尺度不变特征变换(SIFT)算法计算量大的问题,提出一种基于快速SIFT特征提取的模板匹配算法。采用递推方法加速计算每个种子向量,利用向量排序来保持算法对旋转的不变性,并通过一种适用于该描述符的快速搜索匹配方法,提高算法的实时性。实验结果表明,该算法能提高匹配速度,并且能在旋转、缩放的情况下有效地识别目标。