融合全局-颜色信息的尺度不变特征变换

由于尺度不变特征变换(SIFT)算法只针对图像的局部特征进行描述且忽略了图像的彩色信息,当待匹配图像中存在大量形状相似区域时,误匹配率很高。本文对SIFT图像匹配法进行了改进,提出了SCARF(Shape-color Alliance Robust Feature)图像匹配算法。为解决SIFT常出现的误匹配现象,构造的SCARF算子利用SIFT检测子提取图像的特征点集,通过建立同心圆坐标系,在SIFT原有框架的基础上融入全局形状信息和颜色不变信息,并采用欧氏距离作为匹配代价函数进行描述子匹配。对包括SCARF算法和SIFT算法在内的5种不同匹配算法通过INRIA数据库进行了实验验证,实验结果表明:SCARF算法在图像模糊、局部特征相似、JEPG压缩和光照变化等复杂变换情况下,匹配准确率优于SIFT等其他算法,降低了误匹配的概率,明显提高了匹配的稳定性和鲁棒性。     

基于高光谱图像的改进SIFT特征提取与匹配

针对尺度不变特征变换(SIFT)算法所提取图像特征点数量少、误匹率高的问题,提出了一种基于高光谱图像的改进SIFT算法。首先,依据传统SIFT算法中高斯金字塔的构造思想,结合在不同波段下的高光谱图像具有相同宏观特征的特点,首次用高光谱图像作为原始算法中经高斯变换产生的图像,使得检测到的具有实际意义的特征点数量大幅增加;其次,传统SIFT算法以及大量的改进方法都只通过目标象元邻域范围内的像素信息来构造特征描述符,而忽略了像素点的位置信息,文中将目标象元的位置信息纳入了特征描述符,在特征描述符的匹配阶段,在利用邻域范围内的像素信息进行粗匹配之后,利用特征描述符中的位置信息进行精细匹配。仿真实验结果表明在限定最优值与次优值之比的情况下,采用高光谱图像构造高斯金字塔的方式能显著增加特征点的提取数量,更多地挖掘出图像中的极值点;在特征描述符中加入目标象元的位置信息作为特征点匹配第二阶段的判断依据,正确匹配数量达到原方法的59倍以上,极大提升了算法的匹配性能。     

基于SIFT算法的鞋印图像配准的研究

研究了鞋印图像定位及匹配问题,首次在鞋印匹配中引入了基于尺度不变特征变换SIFT(Scale-invariant feature transform)算法,并提出一种基于改进的SIFT算法的鞋印图像匹配方法。由于算法具有良好的尺度、光照等不变特性而适用于鞋印图像匹配中。在图像生成特征点之前采用一种二次定位算法,使经过定位的鞋印图像处于同一竖直位置。在分析SIFT特征向量生成过程的基础上,以最小欧式距离作为判断特征点是否匹配的标准,并用最小欧式距离与次小欧氏距离之比来剔除匹配无效点,提高SIFT特征匹配效率。大量实验数据证明,该改进的SIFT算法在保证图像匹配率和算法鲁棒性的情况下,不仅可有效缩短匹配时间,同时还提高了图像匹配精度。     

图象特征点提取及匹配算法

针对图像特征提取与匹配的适应性和准确性的问题,本文提出将尺度不变特征变换算法应用到图像特征点提取与匹配。算法首先采用SIFT提取图象的特征点及其描述,然后采用基于置信度的匹配算法进行特征点的匹配。通过对不同光照条件、焦距、拍摄角度的图像进行特征点的提取及匹配,实验结果表明,本文算法对图像的平移、旋转和仿射变换具有很好的适应性和准确性,可以进一步应用到图像识别,图像重建等领域。     

采用改进尺度不变特征变换在多变背景下实现快速目标识别

提出一种改进的尺度不变特征变换(SIFT)算法,用于实现多变背景下的快速目标识别。首先,构建目标图像尺度空间,提取SIFT特征点并将其按大小分类,目标识别时只需比较同一类型的特征点。然后,由SIFT特征点子区域方向直方图计算得到4个新角度用于代表特征点的方向信息,并且在目标识别时根据角度信息限制特征点匹配范围,从而提高SIFT算法的运算速度。最后,计算目标图像和待识别图像之间的尺度因子,在尺度因子约束条件下进行目标特征点匹配,从而有效地保证正确匹配数量,提高目标识别的鲁棒性。实验结果表明:当目标在待识别图像中发生局部遮挡、旋转、尺度变化或者弱光照等情况下,改进的SIFT算法能够完成多变背景下快速目标识别任务,平均识别速度提升了40%。     

基于改进SIFT算法的图像匹配

为进一步提高SIFT匹配算法的鲁棒性和正确率,从以下几个方面改进SIFT算法.对图像进行多分辨率小波变换,重建图像近似成分——低频信息参与匹配;采用“回”字形双层方邻窗将特征点邻域区域划分成四部分,建立32维特征点描述符向量;运用欧式距离初步确定匹配点,再用积分图像进一步剔除由于特征点具有空间相似性而出现的误匹配点,从而提高匹配精度.实验表明,本文算法在匹配精度和匹配时间上有明显提高,特别是当图像具有较多局部相似特征时,匹配点数增加,匹配正确率提高.     

基于SIFT-SUSAN算法的零件图像特征提取研究

把SIFT-SUSAN算法应用在零件图像的特征提取上,检测图像的特征极值点。首先对采集的图像进行均值滤波和Laplace锐化预处理,以此增强图像的边缘响应;利用高斯卷积和高斯差分建立尺度空间域;再利用SIFT算法提取空间极值点,并引入SUSAN算子检测空间角点;计算两种特征点的位置,生成特征描述子,实现零件图像的匹配。通过对垫片、螺母和轴承盖零件分别采用SIFT算法和SIFT-SUSAN算法进行对比试验,实验表明:SIFT-SUSAN算法结合了图像区域和边缘角点特征,得到更多的匹配点,提高了图片匹配的正确率。     

基于混合特征的移动机器人图像匹配算法

针对移动机器人定位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、准确性差的问题,提出了基于颜色矩的改进SIFT分级图像匹配算法。首先改进SIFT算法,扩大极值点检测范围;采用Sobel算子计算特征点的梯度方向和幅值;以向量夹角为准则度量SIFT特征相似性,提高SIFT特征提取与匹配的速度和精度。图像匹配时先采用颜色矩对环境图像序列进行相似性排序,改进SIFT特征,再与排序后图像依次进行精确匹配,分级匹配提高了移动机器人的定位速度和精度。实验结果表明：与原SIFT相比,改进SIFT提高了特征向量的显著性,误匹配率降低约9.2%,特征点数量减少约20%;分级匹配提高了图像匹配速度和精度,SIFT特征计算量减小60%,总体耗时缩短40%。达到移动机器人定位实时性和鲁棒性的目的。     

基于SIFT的单目移动机器人宽基线立体匹配

SIFT特征描述子是一种对图像旋转平移、缩放以及视角变化具有不变性的匹配特征描述方法,本文针对单目移动机器人环境探索中存在的大视差宽基线图像对的立体匹配问题,提出了一种基于SIFT特征描述子的单目移动机器人宽基线立体视觉匹配方法,通过提取SIFT不变特征点,构造SIFT特征向量,从而实现特征点对的初匹配,进一步利用RANSAC算法以及外极线约束进行匹配点的优化筛选,并通过三维重建实验验证了获得匹配点对的准确性。     

采用改进的尺度不变特征变换算法计算物体旋转角度

改进了传统的尺度不变特征变换(SIFT)算法,使其在进行图像匹配的同时,可以求取出物体的旋转角度.首先,利用SIFT特征对旋转保持不变的特性,按照原算法提取出旋转前后两幅图像的SIFT特征,分析特征点主方向的计算过程,记录每个特征点主方向的角度值进行特征匹配.然后,计算出每对匹配的SIFT特征点的主方向角度之差,得到特...     

基于区域分块与尺度不变特征变换的图像拼接算法

针对图像匹配算法计算量大,实时性差的问题,提出了一种基于区域分块与尺度不变特征变换(SIFT)相结合的图像拼接算法。该算法利用图像能量的归一化互相关系数快速分割出匹配图像与待匹配图像间的相似区域,利用SIFT算法在重叠区域中搜索出能用于匹配的图像特征点并实现快速精确配准。然后,通过对图像进行了几何校正和图像融合来实现图像序列间的无缝拼接。实验结果表明,该算法减少了传统SIFT算法的大量无用搜索,改善了图像的几何失真,降低了算法复杂度,提高了图像匹配的速度,在保证90%以上的匹配准确率的基础上,计算时间较传统SIFT算法减少了近50%。提出的算法可准确、快速地实现有形变和尺度变换图像的无缝拼接。     

结合全局信息的SIFT特征匹配算法

提出了结合全局信息的SIFT特征匹配算法,解决了图像中存在多个相似区域时造成误匹配的问题。首先,在尺度空间检测出特征点;其次,生成特征向量,特征向量包含两部分：基于局部信息的SIFT向量和基于全局形状信息的全局向量;最后,采用BBF(Best Bin First)算法进行搜索,并采用欧式距离作为度量函数进行特征向量的匹配。实验结果表明：改进后的算法能够在更大的范围内表征特征点的信息,所用图像误匹配的概率由19%下降到了11%,改善了匹配效果。     

基于改进的SIFT特征的图像双向匹配算法

图像匹配是计算机视觉中许多领域的基础,特征提取则是图像匹配的基础,其中不变量特征是一个重要的理论。SIFT是最有效的尺度、旋转、亮度不变量局部特征之一,但算法复杂、计算时间长。分析了SIFT的计算时间分配,通过计算关键点的邻域梯度直方图时动态修改采样步长,大大提高了SIFT的计算速度。分析了基于SIFT特征的图像匹配算法,提出了双向匹配算法,提高了图像匹配的准确率。实验结果表明所提出的方法是有效的。     

SIFT特征匹配算法的研究

当前,SIFT算法在特征匹配研究中是比较成功的一种特征算法,因为它不仅对图像的旋转、平移、缩放能保持不变,对部分遮挡和对比度的变化也可维持稳定而被应用于图像立体匹配中。旨在介绍SIFT算法的基本原理,比较一些SIFT改进算法的优缺点,并指出今后发展方向。     

一种结合ORB算法的SIFT图像配准算法

在基于SIFT算法的图像配准过程中有两个重要的环节:特征提取和特征匹配。针对算法在特征提取时存在的计算量大、复杂度高、速度慢等问题,该文提出了结合ORB算法的思想,对SIFT算法进行特征提取的优化,从而实现快速地提取图像的局部特征。在特征匹配阶段采用K最近邻的BBF搜索策略并结合RANSAC算法进行提纯,消除误配点。实验结果表明,改进后的算法降低了配准时间,提高了配准精度,适用于一些对实时性要求较高的场合。