基于GPU的遥感图像前期处理算法研究与应用

针对传统的遥感图像前期处理算法在面对海量地面数据时计算时间很难满足需求的问题,基于RPC模型的遥感成像几何校正算法的并行加速和基于SIFT特征提取的图像匹配技术的并行加速研究。针对几何校正的主要步骤及其速度瓶颈问题,提出了可采用的并行加速方法,同时结合SIFT的特点提出了并行优化加速的方案。采用基于数据划分的并行方法对遥感图像的几何校正和SIFT特征提取算法进行加速。最后利用CUDA环境,在CPU+GPU异构系统下,设计试验对两个算法优化并行提速,试验结果表明,提出的加速方案和优化算法能大幅提高遥感图像的前期处理效率。     

动态背景下基于帧间差分与模板匹配相结合的运动目标检测

基于图形处理器单元（GPU）提出了一种帧间差分与模板匹配相结合的运动目标检测算法。在CUDA—SIFT（于统一计算设备架构的尺度不变特征变换）算法提取图像匹配特征点的基础上,优化随机采样一致性算法（RANSAC）剔除图像中由于目标运动部分产生的误匹配点。运用背景补偿的方法将静态背景下的帧间差分目标检测算法应用于动态情况,实现了动态背景下的运动目标检测,通过提取目标特征与后续多帧图像进行特征匹配的方法最终实现自动目标检测。实验表明该方法对运动目标较小、有噪声、有部分遮挡的图像序列具有良好的目标检测效果。     

基于SiftGPU特征匹配方法的实时视觉里程计系统

采用尺度不变特征变换(SIFT)特征匹配方法对双目相机图像进行立体匹配,同时匹配相邻两时刻的三维点,求解运动方程进行运动估计,得到机器人2个时刻坐标变换的旋转和平移参数;使用每2个时刻的旋转和平移结果进行机器人的路径反演,采用GPU加速SIFT特征提取与匹配,实现实时的视觉里程计系统,并采用RANSAC算法用于运动估计剔除误匹配点干扰。实验结果表明,具有仿射变换较强不变性的SIFT特征匹配算法能够得到较为精确的路径反演结果,采用GPU加速SIFT特征提取与匹配能达到实时的视觉定位效果。     

基于GPU的PCA图像融合算法研究

遥感图像融合技术是有效利用多传感器、多平台、多光谱、多时相遥感数据的主要途径.针对经典的主成分分析(PCA)融合串行算法,提出一种新的基于CPU/GPU异构系统的并行PCA融合算法.实验结果表明,基于CPU/GPU异构系统CUDA架构的并行PCA融合算法充分利用GPU的并行处理能力,计算速度提高幅度明显,图像越大越复杂,提高的幅度越大,处理4096×4096图像数据时,最高能获得将近134倍的加速速率,极大的提高了PCA融合算法在实际应用中的实时性.     

一种基于区域分割的SIFT图像特征提取算法

提出一种基于区域分割的SIFT图像特征提取算法.首先采用改进后的SIFT算法对图像进行计算,同时采用快速分割算法对原始图像进行分割,对照分割后的区域分别取每个区域最显著的几个SIFT特征,最后采用局部降维算法,将高维特征降低到可以接受的低维度特征.实验表明,该方法的运行时间短,对特征提取的位置界定准.     

基于双目摄像的特征提取算法研究及三维重建实现

特征提取在计算机图像处理领域是一个重要的概念。文章主要研究了Harris角点检测算法与SIFT(Scale-invariant feature transform)特征点提取算法这经典的两种基于灰度的特征点提取算法。在处理图像尺度缩放方面进行了比较,通过MATLAB进行实验来比较两种算法在处理图像尺度方面的区别,证明SIFT算法更加优秀。最后介绍了三维重建的内容,展望计算机视觉技术的未来。     

基于SIFT特征的多视点云数据配准和拼接算法

针对无特征标志点的大场景多视点云数据,提出了一种新的基于SIFT特征的配准和拼接算法。算法提出了有效纹理图像的概念,并对有效纹理图像进行SIFT特征提取和匹配;然后将提取的SIFT特征点和匹配关系反射到三维点云数据,获取多视点云数据的特征点和匹配关系,完成多视点云数据的拼接。算法在有效纹理图像中提取和匹配特征点,排除了点云数据中孔洞和无效数据的干扰,并且算法只利用较高鲁棒性的特征点对进行拼接,计算简单,匹配精度和效率都得到提高。对室内和室外两个大场景的2个视点数据进行实验,实验结果证明拼接速度和精度都有较大的提高。     

多核DSP下的SIFT算法优化

由于SIFT特征匹配算法可以准确地解决若干幅图像间出现平移、旋转以及仿射变换等情况下的匹配问题,同时可以实现对不同角度拍摄图像与光强变化下采集图像的比较可靠的匹配.基于TI的C6000系列多核DSP,本文主要研究SIFT算法配准图像并对其进行优化.先通过网口将保存在计算机中的图像数据传入DSP中,DSP会对所得的图像数据进行SIFT配准计算,最后将计算得出的匹配结果通过网口反馈至计算机.本文对代码进行编译器优化后,针对特征描述子匹配阶段特别采用了多核并行处理.测试结果表明,对于有丰富特征点的图像,采用多核并行技术进行描述子匹配计算,使得匹配阶段的耗时仅约为单核计算的1/4,提高了匹配效率.     

基于自适应非极大值抑制的SIFT改进算法

针对图像配准中尺度不变特征变换（SIFT）算法解算速率慢的问题,提出了基于非极大值抑制的改进算法。该算法扩大了极值检测区域半径,对SIFT关键点进行筛选,实现了关键点的优化分布。还提出一种自适应确定检测区域半径的方法,来更精确地控制关键点的数目和分布。仿真试验结果表明,该算法能在一系列不同的图像变换下表现出稳定的配准结果,解算速率较标准SIFT算法提升显著。     

SIFT在高分辨率SAR图像自动配准中的性能分析

合成孔径雷达(SAR)图像的自动配准长期以来都未能很好的解决,特别是高分辨率SAR图像其配准的关键是稳健的特征提取与特征匹配算法。在光学图像配准中,最常用的特征点提取算法是Harris算子,而近年来SIFT(尺度不变特性变换)算法也因其优越的性能成为当前比较流行的算法。探讨了Harris和SIFT特征提取算法在高分辨SAR图像自动配准中的应用,并选取4对有代表性的SAR图像进行了配准实验,对2种特征提取算法的运行时间、所提取匹配点对的正确率以及特征点的提取精度进行了比较。通过定性及定量分析,在同轨获取的高分辨率SAR图像配准中,SIFT均能实现精确配准,其适用性及精度均优于Harris。     

基于SIFT的多焦距图像特征点提取算法

将尺度不变特征变换（SIFT）算法应用到图像的特征点提取与匹配中,SIFT算法可在尺度空间寻找极值点,提取对图像焦距变化具有稳定性的特征点及其特征描述符。在采用SIFT算法提取图像的特征点及其特征描述符后,提出了一种特征点精匹配算法进行特征点的匹配,并通过仿真证明该算法具有很好的效果。     

一种改进的基于SIFT特征的快速匹配算法

对SIFT特征匹配算法进行改进,采用D2OG金字塔的过零点检测代替DOG金字塔的局部极值点检测,建立DOG金字塔后,利用DOG金字塔相邻层相减得到D2OG金字塔并在其上进行过零点检测;采用改进RANSAC算法二次消除错配,匹配点对经过RANSAC算法筛选后,再次利用RANSAC算法对匹配点对做进一步筛选.实验表明,改进的SIFT特征匹配算法在保证了较高精度的同时提高了算法的速度,能适应于实时性要求较高的领域.     

图像特征匹配算法的FPGA实现

图像特征匹配算法是对同一场景不同条件下所获取的两幅图像进行特征提取的过程,目前被广泛应用于多个领域。针对传统匹配算法存在的实时性差、准确度不高、环境适应能力弱等问题,本设计提出了基于FPGA开发平台实现的SIFT算法。匹配结果表明:该算法对于图像的旋转、光照、仿射、尺度等具有良好的不变性,能满足特征匹配的需求,存在一定的实际应用价值。     

基于多目标优化的SIFT特征匹配算法

SIFT算子在实际应用中,由于地面图像本身特征不明显且提取出的特征点多、乱以及灰度变化不明显等特点的影响,从而导致特征点误匹配。为此提出一种改进的SIFT图像特征匹配算法。该算法是在SIFT特征匹配的基础上,利用多目标优化算法,建立相关匹配模板,利用给定同一场景的两幅图像,寻找同一场景点投影到图像中的模板之间的相关性建立数学模型即目标函数,根据同一幅图像中模板间的距离建立边界约束条件,从而剔除一些误匹配点。实验表明,该算法可以有效地提高图像匹配精度。     

基于稀疏随机投影的SIFT医学图像配准算法

针对尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)算法在关键点特征描述向量阶段计算复杂并且维数较高的现象,提出了一种基于压缩感知理论的SIFT算法。通过压缩感知理论的稀疏特征表示方法,对SIFT关键点特征向量进行提取,将高维梯度导数向量降到低维的稀疏特征向量,降低了关键点描述向量维度。采用欧式距离作为关键点的相似性度量, Best-Bin-First(BBF)数据结构避免穷举,使数据的运算量大为减少。实验结果表明,新算法对存在仿射变换的医学图像配准性能优于传统SIFT算法,与当前改进型的SIFT算法相比,本文算法的实时性明显增强。     

基于SIFT的压缩跟踪算法

为了克服基于灰度特征信息的跟踪算法在复杂的环境下无法区分目标和背景的缺陷,提出基于SIFT的压缩跟踪算法。该算法采用改进的SIFT特征提取方式,结合压缩感知理论对特征进行有效的降维,以在线多实例学习算法训练分类器,实现在出现目标偏移、姿态变化和光暗变化等情况下对目标实时准确的跟踪。实验结果表明,该算法能够在复杂环境下实现目标的准确实时跟踪。     

改进的ASIFT算法在图像配准中的应用

SIFT算法具有良好的图像匹配性能,是图像匹配的经典算法之一。针对传统SIFT算法在仿射变换情况下匹配效果不佳、鲁棒性弱的不足,给出一种改进的图像配准方法。首先对图像进行中值滤波处理,去除噪声。然后对图像做仿射变换,提取图像的SIFT特征点进行匹配。最后通过随机抽样一致性方法消除匹配后初始匹配点中的错误匹配点,提高匹配精度。实验结果表明,与SIFT算法相比,提出的方法具有更好的仿射不变性,在平移、旋转、仿射变换情况下均能得到较高的匹配精度,并且有较好的鲁棒性。     

一种基于对比度阈值的改进SIFT算法

为了提高基于SIFT(Scale Invariant Feature Transform)图像匹配算法对于图像对比度变化的鲁棒性和算法效率,提出了一种具有可变系数的自适应对比度阈值SIFT算法。根据特征点局部邻域的灰度信息初步确定对比度阈值,同时根据当前特征点的多少确定对比度阈值系数的大小;特征点越多,系数越大,增大对比度阈值从而达到避免特征点数量过大的目的。实验结果表明,改进后的SIFT算法能够根据特征点邻域内的灰度分布情况,自动计算对比度阈值,明显增强了SIFT算法对于低对比度图像匹配的鲁棒性;同时最终提取出的特征点数量避免了过大,稳定在预定的区间内,算法效率提高了1倍多。     

改进RANSAC算法在多光谱图像匹配中的应用

为了提高多光谱图像匹配的速度和精度,提出一种改进的随机抽样一致性(RANSAC)算法。针对传统RANSAC算法迭代次数多、运行效率低、单应性矩阵模型精度低等问题,在采用SIFT算法完成初始特征匹配的基础上,从合理减少样本集中元素个数以提高局内点在样本中所占的比例以及采用预检验快速舍弃不合理的初始参数模型等方面对RANSAC算法进行改进,从而极大地减少了算法的迭代次数,提高了算法的运行效率和估计精度。实验结果表明,所提改进算法不仅提高了图像匹配的精度,而且在处理相同数据的前提下,其所用时间不足传统RANSAC算法的60%,有效减少了算法的运行时间,提高了算法效率。     

后向投影成像算法的GPU优化方法研究

合成孔径雷达(SAR)成像算法能够通过图形处理器(GPU)加速来实现处理速度的显著提升。针对后向投影(BP)成像算法的GPU加速,分析了BP算法的并行化和并行处理方法,提出了一种适合GPU加速的BP成像方案;通过研究GPU设计中的多流异步执行技术、数据传输模式和计算速度与精度,进一步提出一种针对BP成像的GPU优化成像方案。通过仿真数据和实测数据在Tesla C2075上的测试结果表明,与GPU非优化方案的实现相比,该方案有了近一倍的速度提升。