一种改进的ORB图像匹配算法

针对ORB特征匹配算法特征提取稳定性差,匹配精度低的问题,提出一种改进的ORB图像匹配方法。通过小波变换对图像预处理,利用自适应频谱抑制方法提取候选特征点集,再建立多尺度空间模型,筛选具有尺度不变性的精确特征点,并通过BRIEF算子生成特征描述子,最后使用Hamming距离进行特征匹配,完成配准。通过3组图像匹配实验对改进算法的有效性进行验证,实验结果表明,改进算法在兼顾ORB实时性的同时,提高了匹配精度,改善了图像尺度变化较大时特征提取的稳定性。     

散乱数据拟合的自适应分片逆尺度空间算法

散乱数据拟合(逼近)是在信号处理、计算机图形学等领域中被广泛研究的问题, 近些年,利用优化方法获得散乱数据的稀疏表示逼近解也成为了优化和曲面重构交叉领域的热 点。基于由B 样条生成的PSI 空间中的散乱点曲面拟合问题和分片稀疏的联系,将分片稀疏性 引入到Bregman 逆尺度空间算法(ISS)中,提出一种自适应的分片逆尺度空间(aP_ISS)算法,处 理散乱数据的曲面拟合问题。通过对逆尺度空间系统分片符号一致性分析,得到了自适应分片 逆尺度空间系统的性能保证定理和避免了aP_ISS 参数的选取。应用到散乱点曲面重构问题上 的数值实验结果表明,该算法不仅可以有效拟合曲面,还能够较好保护分片稀疏性。     

基于CSS角点检测的快速匹配算法

为了实现准确、快速的图像匹配,从角点检测与描述子两方面入手,提出了一种基于CSS角点检测的匹配算法。首先,在曲率尺度空间下,检测图像在不同尺度下的角点并剔除不稳定角点;其次,基于曲率对图像轮廓描述的精确性,以特征点为中心划分3×4的子邻域,计算子邻域内轮廓曲线点的高斯加权曲率等4维向量特征,建立48维描述子,由于CSS角点检测包含曲率计算,因此生成描述子时避免了曲率的二次计算,提高了匹配速度;最后,提出一种"二进制距离"方法对描述子进行匹配,进一步优化匹配速度。通过实验证明,在保证精度的情况下,CSS快速匹配算法大幅度缩短了匹配时间,对旋转、亮度变化具有较好的匹配效果。     

基于改进Harris-SIFT的ZY-3卫星三线阵影像匹配

针对卫星三线阵CCD影像成像具有特殊性,提出了组合改进的Harris与SIFT多尺度空间影像检测方法,既提高卫星三线阵影像角点检测的可靠性,又保持尺度不变性.对于卫星三线阵影像,通过用改进的Harris算法进行角点提取,建立影像特征的SIFT描述符;进行特征向量的欧式距离匹配,保证了匹配的尺度和旋转不变性,并缩减了运算时间.通过采用北京地区ZY-3三线阵影像数据进行实验,验证了算法的有效性.     

Harris-SIFT算法及其在双目立体视觉中的应用

为了降低尺度不变特征变换(SIFT)算法的复杂度,提高算法的实时性,克服算法提取的特征点不是角点的缺点,该文提出了一种新的Harris-SIFT算法。该算法首先用Harris算子提取图像的特征点,然后为每个特征点定义主方向,最后将特征描述子的坐标旋转到与特征点的主方向一致,计算出每个特征点的特征向量描述子。双目立体视觉图像匹配实验结果说明了该算法的有效性。     

利用SIFT算子与图像插值实现图像匹配

尺度不变特征算子SIFT具有良好的尺度、旋转、光照不变特性,广泛应用于图像匹配领域。该算子利用128维的特征描述向量来表征每个特征点,由于维数过高,影响图像匹配的速度。为此,提出了利用图像插值技术对特征描述向量进行降维处理,提高匹配速度,并通过实验验证了该方法的有效性。     

基于高斯尺度空间的尺度参数自适应算法研究

以屋脊型边缘和阶梯型边缘的特征作为图像的信息度量依据,研究了图像信息量随尺度参数变化而变化的规律,并基于视觉特征模型提出了一种高斯尺度参数的自适应算法.该算法通过使尺度空间信息量在每层均匀分布来实现尺度参数的自适应变化,避免了在尺度空间的构造过程中因计算过于复杂或因丢弃过多关键信息而造成失真过大的问题.实验结果显示,该算法能有效地抑制噪声,从而为图像的高层次处理如目标识别等奠定了基础.     

基于多尺度相位特征的图像检索方法

在基于内容的图像检索中,一个关键的问题是图像视觉内容的表述。而传统的颜色,形状和纹理特征对于图像内容的表述尚且不够完备。为进一步提高检索准确率,针对人眼视觉特性,该文提出了一种基于多尺度相位特征的图像检索方法。该方法首先采用尺度空间理论得到图像的多尺度描述,然后通过复数可调滤波(complex steerable filtering)提取图像的多尺度相位信息并利用直方图投影获取全局统计的多尺度相位特征。在通用数据库COREL 5000上的实验结果表明,该特征相对经典的颜色特征提高至少5%检索准确率,且能对之提供有效补充。     

基于高斯尺度空间的核相关滤波目标跟踪算法

核相关滤波（KCF）跟踪算法因其计算效率及速度的优势在目标跟踪领域受到了极大关注,但是该算法仍无法实现尺度自适应,针对此问题提出了一种基于高斯尺度空间的解决方法。根据KCF跟踪算法估计目标位置,将目标及其周围的区域作为搜索区域,并与高斯核卷积建立高斯尺度空间。对高斯尺度空间进行双线性插值,得到目标的多尺度估计图像。用平均绝对误差（MAD）作为匹配准则,将模板与图像匹配,从而得到目标的缩放比率。实验结果表明,与CSK算法、KCF算法等相比,所提出的基于高斯尺度空间的KCF在跟踪精确度上有了显著提升。     

基于改进SIFT特征的双目图像匹配算法

针对SIFT（尺度不变特征变换）算法无法准确定位物体形状特征的问题,提出了一种结合了Harris角点和SIFT算法的立体匹配方法。在DOG尺度空间提取Harris算子作为图像的特征点并为每个特征点定义主方向,计算出特征点的32维特征向量描述子并用BBF算法检索同名特征点之间的欧式距离进行匹配。在降低SIFT算法的时间复杂度的同时提高了算法提取特征点的形状意义,在双目图像匹配实验中取得了较好的结果。