高斯二阶差分特征算子在图像拼接中的应用

为了将同一场景中具有重叠区域序列的图像快速准确合成一幅具有宽视角、高分辨率的图像,提出了基于高斯二阶差分(D2oG)特征检测算子的SIFT算法.采用高斯二阶差分(D2oG)金字塔的过零点检测提取图像尺度不变特征点,并选用RANSAC算法对特征点匹配对进行提纯,在此基础上计算不变换矩阵H,最后,用渐进渐出平滑算法完成图像的无缝拼接.实验中分别采用所提方法和SIFT算法对具有典型变换的4种图像进行拼接与测试,结果表明:所提方法提取的匹配点数、拼接所消耗时间明显低于采用SIFT算法,同时匹配效率也高于后者.此方法降低了运算复杂度的同时,图像拼接实时性也得到提高.     

SIFT错配改进的二阶高斯分析

SIFT算子由于其良好的尺度、旋转、光照等不变性而被广泛应用于计算机视觉、目标识别、医学图像处理等领域。但无论采用何种算法,错配难以避免。针对错配点消除的问题,在对SIFT算法及RANSAC算法进行研究的基础上,提出二阶高斯算法。该算法根据特征点间的欧式距离,利用高斯函数为匹配点加权,筛除权值不在阈值范围内的匹配点。实验表明,与RANSAC算法相比,该算法的特征点正确匹配率明显提高,对错配点消除有较强的鲁棒性。     

基于图像增强的温室图像特征点提取

针对温室环境中,由于相机拍摄图像噪声大,光照不均匀,对比度较低等会导致ORB特征点较难提取或者提取较少,从而影响匹配效果的问题,提出了一种能够减少图像噪声,增强图像对比度的ORB特征点提取算法。首先,对温室图像进行高斯滤波去除图像噪声,然后使用对比度受限的自适应直方图增强图像对比度,增加ORB特征点提取数量。经过实验表明,提出的改进ORB算法对温室中ORB特征点的提取和匹配效果有较大提升。     

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.     

动机器人视觉图像特征提取与匹配算法*

针对移动机器人导航过程中视觉图像处理速度慢以及特征点提取与匹配实时性和准确性差等特点,提出了一种基于SIFT特征提取算法与KD树搜索匹配算法相结合的新方法,通过对候选特征点进行多次模糊处理,使其分布在高斯差分图像的灰度轮廓线边缘,利用SIFT特征提取算法找到满足极限约束的极值点;通过KD树最邻近点搜索和匹配算法使处理后的特征点与原始图像进行特征匹配,快速找出匹配正确的特征点。实验证明,该方法对环境光照、视野角度频繁变化的环境具有较强的鲁棒性,能够满足移动机器人自主导航过程中对视频图像处理的实时性和准确性     

光照变化环境下的SIFT改进算法

为了解决SIFT算法在光照不均环境下匹配效果差的问题,提出了一种融合差分同态滤波算法的SIFT匹配算法（MSHFHS+SIFT算法）。该方法对同态滤波算法进行扩展,推广到多尺度空间,以构建同态滤波金字塔,与SIFT进行融合,利用SIFT算法的特征点提取、描述子生成方法,根据distance-radio准则进行匹配。在各种光照变化环境下的实验证明,该算法较之传统的方法具有更好的鲁棒性。     

机载红外搜救成像系统中图像拼接算法研究

由于传统SIFT特征点描述符的复杂性,增加图像拼接的时间,针对这种情况,提出一种快速的红外图像拼接算法。算法首先对序列红外图像提取关键帧;然后对图像畸变和海杂波进行预处理,并限制相邻两幅图像的特征点提取区域,缩短图像拼接时间;最后采用双向匹配法提高配准精度,用高斯渐入渐出法得到无缝拼接的图像。实验结果证明该算法提高了拼接速度,当特征点不是很多时,改进后的SIFT匹配算法在时间上可以达到比较理想的效果。     

基于Kinect三维重构的特征点提取改进

针对机器人在复杂的室内环境中,因提取特征点低效率、高失真造成性价比较低的问题,提出一种改进的SIFT特征点提取与匹配算法,并在此基础上构建基于Kinect的SLAM系统。SLAM系统前端对SIFT特征点提取法进行改进,使用高斯分离模糊函数,提高SIFT算法提取特征点的速度,并且使用RANSAC筛选不稳定特征点。本文所提出的改进型SIFT特征点提取法的SLAM系统可以对复杂与空旷的室内环境高效率、低失真的重构。     

一种二次阈值调整SIFT算法

SIFT算法因其良好的特征提取和匹配效果得到了广泛的应用,但在光照不足和模糊条件下其效果不能令人满意,为此提出了一种基于全局信息和局部信息的自适应SIFT算法。利用图像的对比度信息得到初始阈值,使该阈值适应光照不足和模糊图像,根据周围特征点分布情况来对阈值进行二次调整以控制特征点数目及分布,并改进了误匹配剔除方法。实验结果表明,改进后的SIFT算法不仅能很好地适应低光照和模糊图像,而且可以调节特征点数目,降低簇效应。     

混合特征下最优阈值预测的图像匹配

针对单一特征条件下图像匹配率较低,以及SIFT算法由于固定对比度阈值造成特征点数目提取不均的问题,提出一种混合特征下最优阈值预测的图像匹配算法。该算法首先采用SIFT算法提取图像特征点,然后利用纹理参数二阶矩自适应法得到最优阈值,并用描述性较强的纹理特征向量对SIFT匹配过程进行约束实现图像的匹配。实验结果表明,提出的算法根据图像灰度分布自适应选取对比度阈值,能够增强图像细节信息且使提取的特征点数量稳定,在匹配过程中引入纹理向量作为约束准则,避免了相似区域的误匹配,对光照和模糊图像有较好的鲁棒性。     

电力巡线无人机航拍图像匹配算法研究

基于局部特征的图像匹配算法是电力巡线无人机航拍图像匹配算法中最为实用的一种方法。针对传统匹配算法构建尺度空间会致使图像边缘信息丢失或者效率较低等问题,提出一种基于高斯曲率尺度空间的航拍图像匹配算法。借助高斯曲率滤波器构建一阶尺度空间,利用FAST算法提取特征点并选择特征采样区域,再以对特征采样区域建立二阶尺度空间并提取二阶尺度空间层内LIOP描述符,随后二阶尺度空间两两层LIOP描述符做差值并二值化处理,累加二值化值得到ASV-LIOP描述符完成匹配。在航拍图像上,使用SIFT、ORB、KAZE、AKAZE、改进KAZE等算法与所提对比实验,实验表明,所提算法正确匹配率平均提高5%左右,匹配效率约降低50%,可应用对稳定性要求较高且实时性较低的场景。     

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。     

基于改进CNN-RANSAC的水下图像特征配准方法

水对光的吸收和散射效应降低了水下图像的质量,水下图像的可视范围受到限制,复杂水下场景下的鲁棒性和精确性问题使得特征提取与匹配成为一项具有挑战性的任务。为了更好地配准水下图像,提出了一种改进CNN-RANSAC的水下图像特征配准方法,首先通过基于深度卷积神经网络的水下图像增强方法对水下图像进行增强预处理,通过水下图像分类数据集迁移学习训练VGGNet-16网络框架,利用修改后的网络框架进行特征提取,生成鲁棒的多尺度特征描述符与特征点,经过特征粗匹配与动态内点选择,使用改进的RANSAC方法剔除误匹配点。在大量水下图像数据集上进行了充分的特征提取和特征匹配实验,与基于SIFT和SURF的配准方法相比,该方法能够检测到更多的特征点,实现了匹配正确率的大幅度提高。     

基于特征点的全自动无缝图像拼接方法

提出了一种基于特征点的全自动无缝图像拼接方法.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,并通过引导互匹配及投票过滤的方法提高特征点的匹配精确度,使用稳健的RANSAC算法求出图像间变换矩阵H的初值并使用LM非线性迭代算法精炼H,最终使用加权平滑算法完成了图像的无缝拼接.整个处理过程完全自动地实现了对一组图像的无缝拼接,克服了传统图像拼接方法在尺度和光照变化条件下的局限性.实验结果验证了方法的有效性.     

基于CenSurE-star和LDB的被测目标图像匹配算法

针对传统点特征匹配方法计算量大、匹配速度慢的问题,给出了一种基于CenSurE-star和LDB的图像匹配算法,以用于在视觉检测中对被测目标图像进行快速匹配;该算法首先通过调整滤波器尺寸从而快速检测被测目标图像中不同尺度的CenSurE-star特征点,然后采用LDB方法对特征点结合其邻域进行描述,以描述符汉明距离为标准衡量图像特征点间的相似度并进行对应筛选,最终结合RANSAC剔除剩余的误匹配点对,实现了图像间准确匹配;实验研究表明,在关于光照、噪声和模糊变化的三组被测目标图像匹配中相较SIFT、SURF等常见算法,该算法不仅显著提升匹配速度,而且保证了较高的匹配准确率。