基于LBP的尺度不变特征的描述和匹配算法

针对尺度不变特征变换(SIFT)算法计算复杂度高和匹配速度慢的难题,提出一种新的基于局部二进制模式(LBP)的尺度不变特征变换算法.首先采用高斯差分尺度空间检测局部极大值,利用圆形邻域统计梯度方向直方图来确定特征点的主方向,再通过坐标轴旋转避免图像旋转的计算代价;然后运用改进后的LBP算子求取特征点邻域的纹理信息,得到132比特的特征点描述子,有效地降低了描述子的计算复杂度;最后运用逻辑与运算对描述子进行特征点匹配.图像匹配实验结果表明,该算法具有尺度不变性、旋转不变性、仿射不变性和光照不变性等优良特性,在保证匹配正确率与SIFT和CS-LBP算法基本一致的情况下,运算速度优于以上2种算法,其中光照不变性明显优于SIFT算法.     

采用旋转匹配的二进制局部描述子

针对二进制描述子主方向计算误差影响图像匹配正确性的问题,提出了一种旋转不变的二进制描述子构造和匹配方法。在以特征点为中心的同心圆周上等间隔选取采样点,按照旋转不变的模式选取采样点对进行灰度值比较,将比较结果连接成二进制串,作为区域的描述子。匹配时比较描述子在所有旋转模式中的汉明距离,取最小值作为描述子的距离,实现不依赖于主方向的旋转不变性。配合多尺度特征检测方法,将采样模式进行缩放,并对图像进行亚像素插值,实现尺度不变性。描述子匹配的实验结果表明,本文方法在旋转,尺度和光照变换下的匹配效果比当前依赖主方向的二进制描述子方法具有更高的鲁棒性。     

基于图像增强的井下图像拼接

为了通过图像采集技术实时监控煤矿井下生产情况,提出了基于图像增强的井下图像拼接算法。利用局部双边滤波算法对图像进行增强,在此基础上再利用近似的Hessian矩阵和框状滤波确定特征点的位置,然后,计算特征点的描述子向量,采用最近距离比次近距离的匹配算法将特征点配对,最后利用特征点对计算得出变换矩阵,采用线性渐变融合方法进行图像融合。通过图像增强前后特征点数量对比实验验证了增强算法的有效性,并证明了该算法显著提高了SURF(Speeded Up Robust Features)算法的拼接效率,有利于提高匹配的准确性和拼接的快速性。     

一种图像特征点匹配算法——Haar-Gaussian&NICD算法

提出了一种基于哈尔小波分解变换和高斯尺度空间的图像特征点匹配算法.首先利用哈尔小波变换对基础图像进行3层行列分解,然后利用高斯函数卷积核对这些分解图像,进行尺度变换.提出了一个小波高斯金字塔塔林的概念,即对通过小波变换产生的多张不同分辨率的基础图像分别进行高斯尺度变换进而产生一个个独立的高斯金字塔,进而产生独立的高斯差分金字塔林,完成特征点检测.再引进规范化强对比度描述子对特征点进行描述.结果表明:Haar-Gaussia&NICD算法的效果和SIFT算法相当,特征点数量优于SIFT算法,在局部特征匹配方面要更有优势;而且和NICD描述子搭配使用,在运行速度方面要比SIFT算法更快.     

SURF算法在小尺寸图像拼接中参数配置的优化

在图像拼接领域,SURF算法因其出众的时效性和鲁棒性,有着十分广泛的应用。针对SURF算法中特征点提取和描述过程中参数固定,对侧重点不同的图像拼接应用存在变通性较差的问题,提出了从窗口滤波器权值,特征点周围子区域的选择以及子区域内Haar小波变换的采样点范围三方面进行参数配置优化。针对目前主流的流媒体尺寸图像,利用控制变量法在不同的SURF参数配置下,对算法的时效性、准确性和鲁棒性等性能进行了分析;通过特征点匹配率和特征点匹配效率的比较,给出了SURF算法参数的选择策略。仿真结果表明该策略可以有效提高SURF算法在图像拼接中的运算速度和准确性,丰富算法在实时领域的应用。     

基于网格运动统计的改进快速鲁棒特征图像匹配算法

针对快速鲁棒特征算法(SURF)局部不变特征描述符存在运算时间较长、匹配准确率较低的问题,文中提出基于网格运动统计的改进快速鲁棒特征图像匹配算法.首先运用Hessian矩阵行列式确定图像中的特征点,采用梯度方向改进SURF中的主方向提取方法,提高特征点主方向的准确性,并使用二进制特征描述子进行特征点描述.再对获取的特征点进行汉明距离粗匹配.最后,采用网格运动统计剔除误匹配点.在Oxford VGG标准数据集上的实验表明,文中算法在图像发生尺度、光照、旋转等变化时匹配准确率与效率较高.     

利用DAISY和概率松弛的近景影像密集匹配

针对近景影像存在的弱纹理、遮挡问题,提出一种基于改进的DAISY描述子和概率松弛的近景影像密集匹配方法。首先,利用SURF提取种子点构建初始视差图,根据影像核线方向改进DAISY描述子的主方向,以影像核线方向的反方向对特征描述子进行掩膜处理,进而对兴趣点进行特征描述。随后,通过松弛迭代的候选点筛选策略渐进地获取正确率占优的特征匹配点。实验表明,相对于传统概率松弛匹配算法,该算法克服了近景影像中弱纹理及遮挡问题导致的误匹配,匹配点数目提高了2倍左右,具有较高的匹配点密集程度和可靠性。     

基于一种快速鲁棒特征描述子的图像匹配

基于一种快速鲁棒特征描述子进行图像特征点之间的匹配。此方法基于积分图像,使用快速Hessian检测子来提取图像特征点。对每个特征点,通过计算Haar小波,来寻找它的主方向。然后构造窗口区域,以主方向和与主方向垂直的方向上的小波和来描述特征点。最后以特征描述向量的距离为标准寻找不同图像之间的特征匹配。     

基于偏最小二乘的SIFT误匹配校正方法

针对尺度不变特征变换（SIFT）描述子仅利用特征点的局部邻域信息而对图像内具有相似结构的特征点易产生误匹配的现象,提出一种基于偏最小二乘的SIFT误匹配校正方法。该方法首先利用SIFT算法进行匹配,得到初始匹配对,然后利用偏最小二乘方法对匹配后初始匹配点的空间分布信息进行重新描述,并通过定义影响函数,剔除影响程度大的特征点对,最后得到精确匹配点对,对图像进行配准。实验结果表明,该方法能够有效地剔除误匹配点,提高图像配准的精度。     

结合区域检测特征点与极谐变换的图像拼接

提出一种结合区域检测特征点与极谐变换的图像拼接算法。首先,利用区域检测得到图像中的显著性区域,利用哈里斯(Harris)角检测器提取图像中的特征点,然后计算得出特征点圆形邻域的PHT特征矢量,并通过相似性变换原则消除误匹配对。最后利用正确的匹配对得出映射模型,并利用加权平均法进行图像融合。实验证明该算法提高了图像的拼接效率和准确性。