一种稳健的特征点配准算法

为了能准确快速提取特征和可靠匹配特征点对,提出一种稳健的基于特征点的配准算法。首先改进了Plessey角点检测算法,有效提高所提取特征点的速度和精度。然后利用相似测度归一化互相关(Normalized cross correlation,NCC),通过双向最大相关系数匹配的方法提取出初始特征点对,用随机采样符合法(Random sample consensus,RANSAC)来剔除伪特征点对,实现特征点对的精确匹配。最后用正确匹配特征点对实现图像的配准。实验表明,该方法能够快速准确地提取两幅图像间的对应特征点,大大降低了误匹配的概率,两幅图像光照不一致、重复性纹理、旋转角度比较大等较难自动匹配情形下,仍能有效地实现图像的配准。     

基于Shape Context和尺度不变特征变换的多模图像自动配准方法

提出了基于修正的尺度不变特征变换（SIFT）特征提取和Shape Context特征描述算子相结合的多模图像自动配准算法,该算法利用修正的SIFT算法提取多模图像中的特征点,然后采用Shape Context算子描述特征点,利用特征点周围区域边缘点的梯度方向形成特征向量。采用欧氏距离作为匹配标准对多模图像中特征点进行初始匹配,然后通过RANSAC算法消除误匹配的特征点对,并采用最小二乘法计算仿射变换参数,最后通过仿射变换和双线性插值实现图像配准。对红外图像和可见光图像的配准实验结果表明了本算法的有效性和稳定性。     

基于极线局部校正的特征匹配方法

针对利用多视图像进行目标三维测量、结构重建时在极线约束下对直接区域灰度相关进行同名特征匹配常常失效的问题,提出了一种基于极线局部校正的特征匹配算法。介绍了极线约束匹配的原理,分析了相关方法在极线约束匹配中的缺陷以及在多种像机位姿配置下的图像特征间的约束关系,在此基础上提出了一种极线局部区域校正的方法,对待匹配区域进行校正使自动相关匹配能有效执行,结合最小二乘匹配得到了高精度的匹配结果。实验结果证明了新算法的有效性,大大提高了自动匹配的可靠性、速度和精度。     

基于非采样Contourlet变换高分辨率遥感图像配准

为了提高高分辨率遥感图像配准的精确度,将非采样Contourlet变换应用于高分辨率遥感图像配准算法中.首先对高分辨率遥感图像进行非采样Contourlet变换.利用非采样Contourlet变换的平移不变性在变换域提取图像的边缘并选择合适的阈值准确地得到图像的边缘特征点.然后利用归一化互相关匹配法和概率支撑法对特征点进行匹配.最后通过三角形局部变换映射甬数实现图像配准.实验结果表明,该方法更能准确地提取高分辨率遥感图像的特征点,大大提高了正确匹配的概率,与基于小波方法的图像配准效果相比有更高的准确性和稳健性.     

基于特征点匹配的图像配准算法精度提升方法研究

图像配准是多种图像后续处理的基础,较为常见的有图像融合,图像拼接、图像的三维重建等,这些后续操作都需要在一个好的配准前提下才能完成,因此,对于图像配准精度改进的研究具有很重要的实际应用价值。对基于特征点匹配的图像配准算法提出了几个配准精度提升的方法,这些方法分别针对特征检测精度的提升和特征匹配精度的提升来达到图像配准精度提升的目的。     

基于特征点的对数极坐标变换图像配准算法

介绍了一种新的图像配准算法,可以很好地解决图像配准中的平移、旋转和缩放问题。算法的实现是首先使用SUSAN算子提取两幅图像的特征角点,剔除虚假的特征点(噪声点),然后使用改进对数极坐标变换和投影相关匹配算法实现特征点匹配;结合亚像素定位技术,可以进一步提高算法的精度。     

基于线性不变矩的特征图象配准算法研究

针对图象差异较大的光学图象与合成孔径雷达图象(SAR)的特点,设计了一种基于特征的图象配准的算法,包括特征提取、匹配、控制点选取、变换系数计算和误差计算等步骤.在特征提取中,对于雷达图象需要进行预处理并采用LOG提取图象轮廓.在匹配算法中,以线性不变矩作为特征量,对现有基于图象轮廓特征的匹配算法进行了改进.采用上海浦东地区的Radarsat-1S2模式图象与LandsatTM-5波段图象作为待配准图象.实验结果表明,该方法可以较好地完成光学图象与SAR图象的配准,有着较高的应用价值.     

改进SIFT变换与客观评价结合的图像配准算法

针对SIFT(Scale Invariant Feature Transform)算子在大幅复杂图像中提取的过多不稳定特征点及在只有少量重合区域下图像配准过程中出现的过多误匹配,导致图像配准精度下降。提出一种改进的SIFT算法,在对目标图像提取SIFT特征后,利用双向BBF(Best-Bin-First)匹配算法对提取的特征点进行匹配,采用SIFT描述子的尺度以及梯度方向信息建立最小邻域匹配剔除误匹配点,通过随机抽取一致性算法(RANSAC)进一步筛选匹配点,并利用最小二乘法结合多项式近似拟合出变换模型,利用局部均方根有效值(RMS)评价映射矩阵与实际图像的误差,找出并删除引起误差的误匹配点,迭代至配准图像符合评价标准后,计算出精确变换模型。实验结果表明,该算法提高了大幅复杂图像在少量重合区域时的配准精度。     

基于边缘与SURF算子的SAR与可见光图像配准方法

鉴于SAR(synthetic aperture radar)与可见光图像的成像机理存在很大差别,使得其同名特征的提取和配准十分困难,但在某些情况下,这两类图像的边缘存在一定的相关性。提出一种基于边缘与SURF(speed-up robust feature)算子的图像配准方法。通过适当预处理增强图像间的共性,采用综合性能比较好的Canny算子提取两幅图像共有的边缘特征,在边缘图像的基础上提取SURF特征;通过比值提纯法进行特征点粗匹配,RANSAC(random sample consensus)算法剔除误匹配点,计算仿射变换模型从而实现SAR与可见光图像的自动配准。实验结果表明:该算法的正确匹配率为100%,均方根误差为0.852个像素,配准精度达到亚像素水平。     

多探测器拼接成像系统实时图像配准

依据已设计完成的基于同心球透镜的四镜头多探测器阵列拼接成像系统,对该系统图像拼接配准过程所采用的特征检测提取、特征向量匹配与筛选、空间变换模型参数估计等算法进行了研究。首先,采用Fast-Hessian检测子提取参考图像和待配准图像的特征点,并生成加速鲁棒特征(SURF)描述向量。接着,采用快速近似最近邻(FANN)逼近搜索算法获得初始的匹配点对,并对匹配点对特征向量的欧式距离进行排序。然后,参照成像系统光学设计参数设定合理的阈值,筛选并保留下较好的匹配点对。最后,提出了一种改进的渐进式抽样一致性(IPROSAC)算法对空间变换矩阵模型进行参数估计,从而得到参考图像与待配准图像的空间几何变换关系。实验结果表明:该算法对图像尺寸、旋转和光照变化都具有一定的不变性,特征匹配时间为0.542 s,配准变换时间0.031 s,配准误差精度小于0.1 pixel,可以满足成像系统关于图像配准实时性和准确性的要求,具有一定的工程应用价值。     

基于拟牛顿和遗传算法的三维人脸建模

用网格重采样算法和点变形技术把不同人脸纹理全景图进行标准化,实现三维人脸的像素级对齐;根据在不同姿态下用拟牛顿法优化目标函数优化速度的不同和提取的人脸特征点精确计算出输入图像中人脸的姿态;确定三维人脸模型在此姿态下的可见点,最后利用改进的实数遗传算法进行匹配计算,建立完整的三维人脸模型。实验表明,此算法能实现三维人脸像素级的精确对齐,快速的精确计算输入图像中人脸的姿态,减少优化参数,简化目标函数,提高模型匹配效率和重构精度,缩短匹配时间。     

基于特征点及优化理论的图像自动拼接方法

提出了一种新的图像拼接方法,首先利用相位一致性(phase congruency)算法进行特征点检测,利用本文提出的匹配点优选策略进行特征点对自动选取,然后用LM(Levenberg-Marquardt)算法进一步优化变换矩阵,最后对拼接结果进行融合处理,获得无缝拼接的图像.该方法把基于特征点和基于优化理论的拼接方法有效相结合,且能充分利用图像重叠部分的信息,在一定程度上克服了噪声及光照不均的影响,较传统方法具有更强的鲁棒性和更高的拼接精确度.试验结果证明了该方法的有效性.     

一种基于三维形状上下文特征的点云配准算法

针对点云配准过程中点云数据量大、配准时间长、配准精度低的问题,提出了一种基于内部形态描述子（intrinsic shape signatures, ISS）和三维形状上下文描述子（3D shape context, 3DSC）的点云配准算法。该方法首先使用体素网格滤波器对点云进行下采样,接着利用ISS算法提取特征点,并通过3DSC进行描述,然后通过改进的随机采样一致性（randon sample consensus, RANSAC）算法进行粗匹配,最后用改进的迭代最近点算法（iterative closest point, ICP)对点云进行精匹配。试验结果表明,与基于ISS+3DSC的三维正态分布变换(normal distribution transformation, NDT)算法和基于采样一致性初始配准（sample consensus initial aligment, SAC-IA）的ICP算法相比,本文算法的配准精度及效率更高,且对于数据量大的点云也有较好的匹配效果。     

基于单站地基望远镜的空间目标姿态估计方法

为实现从单站光测图像中估计出已知3D模型的空间目标姿态,利用Vega Prime提出了一种采用仿真图像进行相关度局部最优搜索的姿态估计方法,该方法无需建立2D-3D特征投影关系和大量的模型匹配库。首先,对输入图像进行图像预处理,获得目标原始图像。然后,利用Vega Prime加载目标3D模型生成仿真匹配图像,并进行图像预处理获得目标匹配图像,计算两幅图像相关度。最后,更新3D目标模型姿态,直至仿真匹配图像与目标原始图像的相关度值取得局部最优,输出目标模型姿态。仿真实验结果表明,采用本文所提方法的观测仿真图像姿态平均估计误差为3.85°,仿真原图可实现姿态准确估计,表明该方法是一种空间目标姿态估计的有效方法。     

基于双目序列图像的测距定位与自车速度估计

为了确定车辆在行驶过程中的相对位置与速度,提出一种基于双目序列图像的实时测距定位及自车速度估计方法。该方法利用车载双目视觉传感器采集周围环境的序列图像,并对同一时刻的左右图像进行基于SURF(speeded up robust features)特征的立体匹配,以获取环境特征点的景深,实现车辆测距定位;同时又对相邻两帧图像进行基于SURF特征的跟踪匹配,并通过对应匹配点在相邻两帧摄像机坐标系下的三维坐标,计算出摄像机坐标系在车辆运动前后的变换参数,根据变换参数估算出车辆的行驶速度。模拟实验表明,该方法具有良好的可行性,速度计算结果比较稳定,平均误差均在6%以内。     

集成SIFT算法与检测模型优化的UAV影像匹配方法

低空无人机(UAV)测量凭借着低成本、高效率、高精度的数据采集模式,可快速获取高空间分辨率的影像数据,已经成为遥感领域的一种重要技术手段.其中,影像匹配技术是UAV影像数据处理的重要步骤,图像间的匹配直接影响后期三维场景的精度及视觉效果.针对高原山地的高差起伏变化大地形复杂,植被覆被率高及地物分布不规则等问题存在,致使...     

基于图像融合的动态轮廓线跟踪新方法

红外与可见光传感器是目标跟踪识别系统中常用的两种传感器,对这两种传感器图像进行融合能有效提高系统跟踪检测的准确性。将动态轮廓线模型与图像融合结合,在特征搜索过程中利用特征点准确地完成了图像配准,同时使用了一种新的特征级融合方法,将两种图像中目标轮廓的B样条曲线控制点进行实时微分耦合。这种耦合将Curwen提出的微分耦合机制作了改进,利用图像配准把刚性硬模板改变为实时的变换模板并推导了融合后动态轮廓线的新的动力学方程。这种融合利用了红外图像目标轮廓信息约束可见光图像中动态轮廓线的收敛形状,有效地提高了可见光图像目标跟踪的准确性。对运动人手序列图像的对比跟踪实验表明,这种融合使得可见光图像中动态轮廓线平均跟踪误差减小了60．25％。     

基于CSIFT的彩色图像配准技术研究

图像配准在计算机视觉、遥感、医学诊断与治疗、环境监测等领域有广泛的研究应用.目前,多数算法是将彩色图像转化为灰度图后再配准,色彩信息的丢失可能会引起误配准.为此,提出一种基于CSIFT(Colored scale invariant feature transform)的彩色图像配准方法,求出彩色图像各个位置处的颜色不变最,以颜色不变量作为输入图像,再提取特征点并描述特征点周围的信息,通过最近邻匹配法求出图像问的匹配对,最后利用匹配的特征求取图像间的变换参数及配准后图像.实验结果表明,对彩色图像进行已知参数值变换时,该算法能得到精度高、误差小的计算结果;对变换关系末知的彩色图像,也能准确地求出图像间的映射关系;且多数情况下运行速度较SIFT(Scale invariant feature transform)快.     

A non-rigid cardiac image registration method based on an optical flow model

According to non-rigid medical image registration, new method of classification registration is proposed. First, Feature points are extracted based on SIFT (Scale Invariant Feature Transform) from reference images and floating images to match feature points. And the coarse registration is performed using the least square method. Then the precise registration is achieved using the optical flow model algorithm. SIFT algorithm is based on local image features that are with good scale, rotation and illumination invariance. Optical flow algorithm does not extract features and use the image gray information directly, and its registration speed is faster. The both algorithms are complementary. SIFT algorithm is used for improving the convergence speed of optical flow algorithm, and optical flow algorithm makes the registration result more accurate. The experimental results prove that the algorithm can improve the accuracy of the non-rigid medical image registration and enhance the convergence speed. Therefore, the algorithm has some advantages in the image registration.