一种基于特征跟踪的视频序列稳像算法

提出一种基于特征跟踪的视频序列稳像算法.该算法从视频序列的参考帧中提取出一组角点特征,然后在后续帧中基于模糊Kalman滤波进行特征窗跟踪,通过比较各帧图像中特征窗间的对应关系计算出补偿摄像机运动所必需的参数,使用这些参数将后续帧向参考帧对准,从而得到稳定的视频序列.实验结果表明该算法稳像效果好,运算复杂度低,且具有较强的鲁棒性.     

基于角点匹配的电子稳像算法

提出了一种基于角点匹配的电子稳像算法。分析了Harris角点检测的原理。获得角点后,根据相邻帧对应角点的坐标分布,建立当前帧与参考帧的映射关系,并运用仿射变换模型,以最小二乘解的形式获得帧间全局运动估计矢量。最后,采用Kalman滤波器对运动估计矢量作低通滤波,平滑运动参数,获得运动补偿矢量,实现视频序列的实时稳像。实验表明该算法较好地去除了视频序列的高频抖动,同时保留了摄像机的主动运动,稳像后视频序列的峰值信噪比明显提高。     

一种基于特征块匹配的电子稳像方法

提出一种基于特征模块匹配的图像稳定的算法.该算法自适应地搜索图像特征模块进行后续稳像操作.在稳像过程中,提出一种图像特征匹配的快速算法,匹配得到局部运动矢量,然后对匹配结果进行一致性检验,最后采用可变窗口宽度的均值滤波法对图像序列运动轨迹滤波.试验表明,该算法有效地稳定了图像序列,并且满足实时性要求.     

高精度全景补偿电子稳像

针对摄像机拍摄目标过程中自身的随机抖动造成的视频序列不稳定,以及稳像补偿过程中边缘信息的丢失,提出了基于SURF（Speed-up Robust Feature）算法的全景电子稳像方法。首先,运用SURF算法提取当前帧图像和参考帧图像的兴趣点,将两幅图像的兴趣点进行匹配,建立两帧的对应关系。针对兴趣点数目较少及场景中部分区域特征相似的情况,引入了兴趣点位移一致性抑制策略,改进了RANSAC（RANdom SAmple Consensus）误匹配的剔除算法,使得运动矢量的精确度小于1 pixel。然后,判定参考帧的更新策略,获取平滑的运动变量。最后,进行运动补偿,运用图像镶嵌技术对丢失的边缘区域信息进行全景补偿,得到了高精度的全景稳像结果,实验得到的输出视频峰值信噪比（PSNR）提高了33.1%。     

用于实时数字稳像的灰度投影算法研究

基于灰度投影算法构建了一个实时数字图像稳定系统,阐述了灰度投影算法应用于数字稳像的基本问题.深入分析和研究了算法在稳像系统中的中值滤波、区域选择、参考帧选择等优化问题.该系统的硬件由振动平台、光学镜头、CCD、图像采集卡和计算机构成;软件编程基于DirectShow平台,通过Visual C++实现.通过对稳像试验结果的定量评价与分析表明,该灰度投影稳像算法具有简捷、快速、准确的特征,是实现摄像机实时数字稳像的一种切实可行的方法.     

运动背景下的帧间稳像技术

针对运动背景下帧间稳像技术,提出了一种带运动矢量修正的灰度投影运动估计算法。采用该算法分别对当前帧和参考帧的行、列计算灰度投影序列;将当前帧投影序列局部分块,分别将每一分块与参考帧行、列投影曲线进行互相关计算,得到基于局部投影的行、列运动矢量集合;以分块区域的相关置信度为权系数衡量参数,计算每一分块的像素位移权值,从而计算某一方向帧间的加权运动矢量。实验结果表明:该方法可以使运动目标造成的影响只作用于其中若干个局部分块,而其他分块不受此影响,尽可能保证稳像的准确性。采用该方法稳像后的图像与参考帧图像的均方根误差(RMSE)值明显下降,与参考帧图像更加吻合。     

运动背景下的帧间稳像技术

针对运动背景下帧间稳像技术,提出了一种带运动矢量修正的灰度投影运动估计算法。采用该算法分别对当前帧和参考帧的行、列计算灰度投影序列;将当前帧投影序列局部分块,分别将每一分块与参考帧行、列投影曲线进行互相关计算,得到基于局部投影的行、列运动矢量集合;以分块区域的相关置信度为权系数衡量参数,计算每一分块的像素位移权值,从而计算某一方向帧间的加权运动矢量。实验结果表明：该方法可以使运动目标造成的影响只作用于其中若干个局部分块,而其他分块不受此影响,尽可能保证稳像的准确性。采用该方法稳像后的图像与参考帧图像的均方根误差（RMSE）值明显下降,与参考帧图像更加吻合。     

一种基于检测块动态选择的稳像算法

针对包含运动物体视频序列的稳像问题,提出了一种基于运动目标检测的数字稳像算法.该算法运用估计的全局运动参数补偿帧间全局运动,得到运动补偿前帧和当前帧的差值图像,并将差值图像分割成一系列的前景块和背景块,仅跟踪背景块来估计下一轮的全局运动参数.仿真结果表明,提出的稳像算法不仅计算复杂度低,而且估计的全局变换参数具有相当高的帧间变换保真度,可以用于占据半个像面的动目标的视频序列.     

基于角点特征的机载摄像系统电子稳像算法

为了消除载体姿态变化和振动造成的视频抖动,提出了一种机载摄像系统的电子稳像算法。将图像分为若干个块,每个块中取一个点作为特征点,采用块匹配算法在局部区域进行特征点匹配,然后利用改进的随机一致性检测算法剔除误匹配的特征点,最后采用卡尔曼滤波算法对图像的运动参数进行滤波,得到稳定后的视频图像。该算法时间复杂度和空间复杂度低,便于在硬件平台上实现,实验结果表明,该算法稳像精度高,精度达到1个像素,适应性好,能较好地实现图像序列稳定。     

电子稳像的特征点跟踪算法

提出一种利用特征跟踪进行电子稳像的算法,该算法具有计算量小,精度高,有鲁棒性等优点。算法由两部分构成:(1)基于特征点集二维运动模型进行全局运动估计。提取图像的特征点,以其为中心建立特征窗进行块匹配,得到匹配特征点集,根据特征点集内具有稳定相对位置的结构特征,提出距离不变准则,对特征匹配进行验证,以保证各点的局部运动具有良好的全局一致性,从而形成特征点集的全局运动矢量;(2)利用自适应均值滤波去除摄像机抖动。均值滤波器可以有效平滑摄像机的高频抖动,同时滤波器尺寸自适应地根据抖动频率来调整大小,能够防止过稳或欠稳。实验结果表明,该算法能够有效减轻摄像机的旋转和平移抖动。     

Point pattern matching based on kernel partial least squares

Point pattern matching is an essential step in many image processing applications.This letter investigates the spectral approaches of point pattern matching,and presents a spectral feature matching algorithm based on kernel partial least squares(KPLS).Given the feature points of two images,we define position similarity matrices for the reference and sensed images,and extract the pattern vectors from the matrices using KPLS,which indicate the geometric distribution and the inner relationships of the feature points.Feature points matching are done using the bipartite graph matching method.Experiments conducted on both synthetic and real-world data demonstrate the robustness and invariance of the algorithm.     

A non-rigid cardiac image registration method based on an optical flow model

According to non-rigid medical image registration, new method of classification registration is proposed. First, Feature points are extracted based on SIFT (Scale Invariant Feature Transform) from reference images and floating images to match feature points. And the coarse registration is performed using the least square method. Then the precise registration is achieved using the optical flow model algorithm. SIFT algorithm is based on local image features that are with good scale, rotation and illumination invariance. Optical flow algorithm does not extract features and use the image gray information directly, and its registration speed is faster. The both algorithms are complementary. SIFT algorithm is used for improving the convergence speed of optical flow algorithm, and optical flow algorithm makes the registration result more accurate. The experimental results prove that the algorithm can improve the accuracy of the non-rigid medical image registration and enhance the convergence speed. Therefore, the algorithm has some advantages in the image registration.     

基于特征匹配和校验的鲁棒实时电子稳像

提出了一种基于特征点匹配和校验的鲁棒实时电子稳像算法.首先利用Kanade-LucasTomasi角点检测器提取参考帧和当前帧的特征点,并用绝对误差和准则进行特征点匹配;在校验阶段,提出一种能够有效剔除前景运动物体特征点和错误匹配点的空间位置不变准则;最后,在相似运动模型下,利用最小二乘法求解全局运动矢量进行运动补偿....     

基于特征匹配和校验的鲁棒实时电子稳像

提出了一种基于特征点匹配和校验的鲁棒实时电子稳像算法.首先利用Kanade-Lucas-Tomasi角点检测器提取参考帧和当前帧的特征点,并用绝对误差和准则进行特征点匹配|在校验阶段,提出一种能够有效剔除前景运动物体特征点和错误匹配点的空间位置不变准则|最后,在相似运动模型下,利用最小二乘法求解全局运动矢量进行运动补偿.实验证明:该算法满足实时性要求,对视频的平移、旋转、缩放运动都有较好的稳像效果,并对运动物体具有鲁棒性.     

基于线性不变矩的特征图象配准算法研究

针对图象差异较大的光学图象与合成孔径雷达图象(SAR)的特点,设计了一种基于特征的图象配准的算法,包括特征提取、匹配、控制点选取、变换系数计算和误差计算等步骤.在特征提取中,对于雷达图象需要进行预处理并采用LOG提取图象轮廓.在匹配算法中,以线性不变矩作为特征量,对现有基于图象轮廓特征的匹配算法进行了改进.采用上海浦东地区的Radarsat-1S2模式图象与LandsatTM-5波段图象作为待配准图象.实验结果表明,该方法可以较好地完成光学图象与SAR图象的配准,有着较高的应用价值.     

基于特征匹配的快速鲁棒数字稳像

针对手持移动摄像装置拍摄视频序列相邻帧间存在平移、小角度旋转运动,而且易受噪声、光照变化的影响等问题,提出一种基于优化Oriented FAST and rotated BRIEF(ORB)特征匹配的实时鲁棒电子稳像算法。对相邻帧预处理后用Oriented FAST算子检测特征点,再用Rotated BRIEF描述提取的特征点并采用近邻汉明距离匹配特征点对,然后采用级联滤波去除误匹配点对,最后使用迭代最小二乘法(ILSM)拟合模型参量进行运动补偿实现稳像。图像匹配测试和稳像实验结果表明:基于改进的ORB算法的电子稳像方法补偿每一帧的时间均小于0.1 s,定位精度可达亚像素级,能有效补偿帧间平移旋转运动,而且对噪声和光照变化有较强鲁棒性。经稳像处理后,实拍视频质量明显提高,峰值信噪比（PSNR）平均提高了10 db。     

基于Powell算法的亚像元配准方法

基于Powell优化算法和图像的金字塔分解,提出了一个新的亚像元运动参数估计方法.用参考图像和待配准图像构造的非线性最小二乘公式作为Powell算法的目标函数,并且以运动参数作为变量.由细到粗的多分辨率分解为准确的亚像元参数估计提供了基础.数值实验结果表明,该算法可以用于准确的稳健的亚像元参数估计,其不足之处在于运行时间比较长.     

The registration of MR images using multiscale robust methods

Acquisition of MR images involves their registration against some prechosen reference image. Motion artifacts and misregistration can seriously flaw their interpretation and analysis. This article provides a global registration method that is robust in the presence of noise and local distortions between pairs of images. It uses a two-stage approach, comprising an optional Fourier phase-matching method to carry out preregistration, followed by an iterative procedure. The iterative stage uses a prescribed set of registration points, defined on the reference image, at which a robust nonlinear regression is computed from the squared residuals at these points. The method can readily accommodate general linear, or even nonlinear, registration transformations on the images. The algorithm was tested by recovering the registration transformation parameters when a 256 × 256 pixel T₂¹-weighted human brain image was scaled, rotated, and translated by prescribed amounts, and to which different amounts of Gaussian noise had been added. The results show subpixel accuracy of recovery when no noise is present, and graceful degradation of accuracy as noise is added. When 40% noise is added to images undergoing small shifts, the recovery errors are less than 3 pixels. The same tests applied to the Woods algorithm gave slightly inferior accuracy for these images, but failed to converge to the correct parameters in some cases of large-scale-shifted images with 10% added noise.