一种改进的医学图像深度信息恢复算法

针对医学图像深度信息恢复的实时性问题,提出了一种Harris角点检测与SIFT特征点检测相结合的算法,提取医学图像的特征点,采用欧式距离作为相似性判定准则将特征点进行匹配,克服了传统SIFT算法提取特征点过多、耗时长的问题。并对获得较致密的视差图,运用三角测量的方法恢复医学图像的深度信息。实验结果表明,文中所提算法在缩短了医学图像深度信息恢复的时间的同时提高了精度,验证了该算法的有效性。     

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。     

基于SIFT特征检测的医学显微图像自动拼接

结合医学显微图像数据特点,将SIFT特征检测算法引入到显微图像的拼接中,克服了传统的基于特征的匹配方法需要原图像有明显的角点或边界信息的弱点,解决了显微镜视野小,无法观察组织切片完整病理图像的问题,该方法经优化后能匹配速度可以达到实时处理的要求。     

运动模糊不变量研究

图像的运动模糊是摄像机在曝光期间与场景间相对运动而造成的图像退化,但现有算法对运动模糊的恢复精度有限.本文分析了图像运动模糊的退化模型,提出了运动模糊不变量的概念,证明了图像零阶矩、第一个Hu不变矩和SIFT为运动模糊不变量,并给出了测试和应用.结果表明运动模糊不变量是存在的,而且可以用于不确定性运动模糊图像的匹配和识别领域.     

基于P^2不变量的图象检索

基于内容的视觉信息检索是由于视觉信息的飞速膨胀而得到关注并被提出来的。现代的基于内容的视觉信息检索算法通常存在一个重要的不足：算法常随着图象的平移、旋转、尺度等变化，准确性和效率都大幅度降低。本文提出一种新的基于p^2不变量的图象检索算法，该算法提取图象中关键点的位置（SIFT key localion），计算该图象点集的p^2不变量．并通过比较图象中p^2不变量的值的方式来确定图象间的相似度。用3类图象库（战斗机、花朵、动物）实验的结果都验证了该算法具有较好的平移、尺度和旋转不变性。     

基于SIFT关键点的增强现实初始化算法

介绍了一种基于SIFT关键点的无标志点增强现实初始化算法。算法在已知场景少量标定关键帧图像的基础上，将关键帧图像与当前视频图像帧中的SIFT关键点进行匹配，利用RANSAC算法消除外点，而后利用图像匹配算法获取摄像机的位置和方向信息，完成系统的自动初始化工作。实验结果表明，算法鲁棒性强，跟踪定位精度高，有效地减小了人工干预的工作量。     

基于组合特征和SVM的视频中人体行为识别算法

针对复杂场景中的人体行为识别困难的问题,提出了一种基于组合特征和SVM的行为识别算法.该算法使用光流特征、HOG特征、重心特征和3D SIFT特征构成的组合特征来描述人体的各种行为;使用一对一的方式训练SVM分类器对提取出的特征进行分类,并以投票的方式得到具体的行为类别.使用包含4个场景的KTH数据集进行仿真.结果表明,所提出的算法能适应各种复杂环境,且相比只采用单一特征的识别算法具有更高的分类精度.     

基于SIFT特征点结合ICP的点云配准方法

在点云配准过程中,针对迭代最近点(ICP)算法对点云初始位置依赖性强且迭代速度慢的问题,提出一种基于尺度不变特征变换(SIFT)特征点结合ICP的点云配准方法。首先利用SIFT算法提取待配准点云和目标点云的特征点;接着计算出特征点的快速点特征直方图(FPFH)特征;然后依据该特征使用采样一致性初始配准(SAC-IA)算法求出初始变换矩阵,从而完成初始配准;最后在初始配准的基础上利用ICP算法对两片点云进行精配准。实验表明,与ICP算法相比,该方法具有较好的配准精度,同时效率也有明显的提升。     

基于SIFT和HOG特征融合的视频车辆检测算法

为了能够提升视频技术下车辆检测的正确率,论文提出结合使用HOG特征与SIFT特征作为车辆检测的特征提取算法,再通过支持向量机(SVM)将样本数据划分为训练集与验证集,使用不同核函数进行训练和验证,确定最优核函数为高斯核函数.最后将训练的模型使用到视频文件进行车辆的预测.最终,实验数据表明,该方法提升了传统的HOG+SVM的样本检测效率,高斯核函数下检测率高达98.38％.处理视频文件时车辆检测效果良好,但是模型仍不够稳定,希望日后完善训练集继续改进算法.     

用SIFT算法实现铁路扣件图像分类

基于图像特征点的匹配是解决很多问题的关键,不同的应用场景有不同的要求.研究SIFT算法在进行匹配的参数选择问题,结合随机抽样一致集算法(RANSAC),剔除错误的匹配,分析参数选择对匹配结果的影响,研究不同尺寸图像特征点生成关系.针对SIFT算法对光照的敏感性问题,通过图像增强再进行匹配,结合位置信息,实现了特征点数量较少的小图像铁路扣件图像的分类.