自适应选取阈值的三层快速匹配算法

提出一种自适应选取阈值的三层快速匹配算法。采用了由粗到精的匹配策略,先分别用环形模板和十字形模板进行粗匹配来淘汰大量非匹配点,再用全模板进行精匹配确定匹配位置以减小计算量。以模板和实测图的平均灰度差来自适应选取阈值,增强了算法的稳定性,从而弥补了环形法的模板信息单一且阈值固定的缺点。实验结果表明,该算法的匹配位置准确,匹配速度比相关法提高5倍,比环形法提高10倍,且在目标发生明显运动变化时仍具有很强的可靠性。     

空间目标序列图像相关跟踪算法

提出一种用于跟踪空间目标的相关匹配算法。它先对匹配像素用动态阈值分类,若灰度绝对差大于阈值,再使用最小绝对差平方累加和作为相似性度量。同时提出一种新的模板修正策略,即每隔一定帧后对模板求质心,调整质心在模板上的位置。仿真实验结果表明,该算法可以克服图像噪声、局部突变、目标变光对匹配的影响,对目标与背景灰度差在20个灰度级以内的低对比度目标跟踪也有较高的精度和可靠性。实验中可以持续几千帧稳定地跟踪空间目标。结合快速搜索和粗精匹配方式,处理一帧时间在20ms以内。     

液晶屏字符显示缺陷检测算法研究

设计了一种基于图像匹配技术的缺陷检测算法,实现了字符缺陷的自动化检测.介绍了检测装置的总体框架和检测算法,算法的核心是提出的改进的基于形状模板的图像匹配算法,利用加权归一化向量点积相似度量计算方法,采用图像金字塔分层搜索策略,与常用的SIFT(Scale-invariant feature transform)匹配算法比较,该匹配算法具有较短的匹配时间和较高的匹配精度.通过实验,算法能够准确有效地检测出字符缺陷,避免了人工检测的误判.     

显著性加权最小二乘图像匹配跟踪方法

针对复杂背景下运动目标跟踪这类问题,提出了一种显著性加权最小二乘图像匹配跟踪算法.新方法首先根据目标上不同区域和背景的差别大小,给每个目标区域赋予不同的权值.然后将权值与最小二乘图像匹配算法结合起来对目标进行跟踪.实验中将本文算法与三种经典跟踪算法进行比较,实验结果表明,在复杂背景下,新算法仍然可以有效、准确地跟踪运动目标,而经典算法均出现问题.新算法的单帧处理时间也可以满足实时处理要求.     

多尺度模板匹配算法

研究图像模板匹配问题。对于大尺度图像,采取多尺度方法进行全角度匹配。首先构筑图像的多尺度金字塔,在最小尺度图像上找到可能的模板匹配位置和角度,然后再依次在更大尺度的图像上精细定位,最终找到模板的匹配位置和角度。配合多尺度的算法框架,同时在不同尺度模版匹配时采用不同测度的相似度,求得了精确性和效率的平衡。通过大量的模板匹配实验说明,该方法是一个快速稳定的算法。     

基于频域互相关的LED晶粒阵列快速视觉检测

为了满足LED晶粒视觉检测的实时性要求,提出了一种频域互相关的快速模板匹配方法。首先通过一种递推求和算法将LED晶粒阵列图像的灰度在空间域进行归一化处理,然后利用快速傅里叶变换到频率域进行模板与LED晶粒阵列图像的互相关运算,快速定位所有LED晶粒的像素坐标。对于清晰的二值晶粒图像,可以省去归一化处理,检测效率更高。实验结果表明:对于复杂结构的LED晶粒,检测效率远高于传统的NCC模板匹配,比常用的序贯相似检测（SSDA）算法效率提高1倍以上。该方法能够用于各种LED分选或固晶系统中的晶粒检测。     

测井曲线矢量化中的预处理方法研究

测井曲线矢量化中的一个重要问题是如何去除背景和噪声。为此，本文提出了频域滤波，十字模板匹配，线形Hough变换，灰度投影，线模板匹配等几种方法。     

区域灰度分布耦合相似判定策略的图像匹配算法

目的为了解决当前因图像匹配算法主要依靠提取图像的特征属性矢量进行度量,从而利用其对应的相关系数最大的点进行匹配时导致匹配结果中存在较多的错误匹配点以及匹配误差变大的问题。方法提出区域灰度分布耦合相似判定策略的图像匹配算法,首先利用Forstner算子来提取图像的特征点,以特征点为中心,采取建立极坐标系的方法来确定特征点的主方向,通过特征点邻域的灰度特征来生成低维度的特征描述子;然后引入归一化互相(NCC)函数对特征点之间的相似度进行评估,建立矩形窗口特征点双向匹配规则,完成特征点的匹配,以提高特征点之间的匹配准确度和算法鲁棒性;最后,根据正确匹配特征点组成的三角形具有相似性的特征,设计相似判定策略,对错误匹配点进行剔除,以改善匹配精度。结果实验结果表明,与当前图像匹配技术相比,文中匹配算法具有更高的匹配精度与效率,有效降低了特征点的误匹配率。结论所提图像匹配技术具有较高的配准精度,在图像伪造、包装条码识别等领域具有一定的应用价值。     

一种新的遥感图像智能匹配方法

遥感图像中目标的空间定位问题一般是通过模板匹配或者特征匹配的方法来实现的。当给定的目标模板与遥感影像中候选识别的目标存在着空间角度、缩放比例和背景噪声较强等问题时，采取模板匹配方法就很难实现对目标的快速准确定位。遗传算法是一种自适应的迭代寻优搜寻和直接对参数对象进行操作的智能算法。利用这种算法优势可以屏蔽掉模板匹配目标的过程中对复杂参数的确定过程。本文将遗传算法与模板匹配方法密切结合，选取一幅北京奥运规划区遥感影像进行了方法实验，结果表明该方法除具有遗传算法智能快速化的效果，还具有实际操作简便的优点。     

支持向量像素抽样的快速图像匹配方法

提出了一种新的支持向量(SupportVectorMachines,SVM)回归的快速图像匹配方法。该方法将匹配模板图像中每个像素的位置坐标和灰度信息作为训练样本,通过选择合适的模型参数,进行SVM回归训练,获得少量的支持向量。依据SVM位置坐标对模板图像进行像素抽样,实现匹配数据的有效压缩。定义了图像支持特征向量,用少量的特征数据描述整幅图像变化的结构信息,保证了匹配数据的置信度。采用相关系数作为相似性测度,实现互相关匹配。实验结果显示,在一幅100×100的光学图像中提取85个支持特征向量点作为匹配数据,匹配概率可达到100%,匹配速度比传统相关匹配方法快近四倍。