基于ZM相特征描述符的图像配准方法

针对图像特征间的视角、模糊、旋转和尺度变换以及噪声干扰等不确定性因素对图像配准精度的影响,定义了基于Zernike矩的相特征不变区域描述符,给出了Zernike矩的归一化及其相值度量方法,提出了一种基于此的图像配准算法。通过对比实验验证,本文算法能够有效提取目标图像特征点并准确进行特征匹配,且在保障配准精度的前提下显著降低了算法复杂度。     

小波神经网络在图像配准中的应用

提出了一种基于小波网络的图像配准方法。将特征点定义进行了推广,提出了一种以特征区域定义和提取方法。使用Zernike矩表征区域的特征并进行特征区域的对应。因图像配准变换是复杂且难以预知的,利用小波神经网络具有良好的函数逼近性能,提出了具有局域特性的小波神经网络模型逼近图像的配准变换。实验表明这是一种有效的图像配准方法。     

基于特征的高精度自动图像配准方法

提出了一种特征匹配策略,它通过建立一个以匹配矩阵为自变量的函数,将空间关系一致性和特征相似性两方面的准则有机地结合起来,使得该函数在图像的最佳配准位置达到全局最大值.这样,特征匹配问题转化为一个函数最优化问题.采用分支定界法解决了这个整数规划问题.用大量的实际图像测试了该方法,并与多种已有方法进行了比较.实验结果表明,该算法是自动的、通用稳健的,而且配准精度是最高的.     

基于轮廓特征的SAR图像自动配准

针对SAR图像的自动配准问题,提出了一种基于轮廓特征的快速配准方法。在对SAR图像正确检测和分割的基础上提取图像的区域轮廓,并对其几何特征属性进行准确描述,利用配准点可以实现自动图像配准,仿真试验表明可以获得亚像素级配准结果。     

基于特征点的合成孔径雷达复图像自动配准算法

提出了一种干涉合成孔径雷达复图像对的自动配准算法,利用Harris特征点检测算子,完成了特征点检测;根据匹配点对之间最大相关和距离相近的结论设计了匹配算法,进行了特征点对的匹配;首先通过Harris特征点检测算子提取特征点;其次根据提出的匹配算法建立点的对应关系;最后利用两步法完成复图像的亚像元级配准;实验结果表明,该算法具有较高的配准精度。     

基于角点特征的自动图像配准

针对图像配准对时间和精度的需求,本文提出适用于角点特征的配准算法：提取两幅图像的角点构造三角形,计算三角形的角度,寻找两幅图像对应的相似三角形,用三角形的顶点坐标求得仿射变换系数,参考图像进行仿射变换,与待配准图像比较相似性,最大相似性对应的变换图像为配准结果。引入强角点和Harris角点对该算法进行验证。与Fourier-Mellin和基于RANSAC寻找匹配点对角点配准算法比较,实验数据表明该算法的快速准确,并具有一定的抗噪性。     

基于图像几何特征点的仿射参数估计算法研究

平移、旋转和缩放等仿射变换参数的计算是计算机视觉、目标检测和模式识别领域的关键问题.对3类典型的基于图像特征点的仿射参数计算方案进行了研究与探讨,它们分别是利用SUSAN角检测器、Harris角点检测器和尺度不变特征变换(SIFT)提取图像特征点.针对传统算法对SUSAN和Harris角点进行匹配精度过低的问题,提出了一种新的基于Zernike矩的特征点匹配算法,对匹配的特征点对利用四参数仿射模型进行参数估计和求取.在此基础上对3种方案进行了深入分析和比较,得出SIFT特征点适用范固广、精度高,是较好的仿射参数求取工具.并通过具体的配准实验结果及在图像拼接中的应用证明了算法的有效性.     

基于SURF特征提取的遥感图像自动配准

基于SURF（Speeded UpRobust Features）特征点提取是目前比较流行的图像配准方法．本文在SURF基础上,提出一种基于分块策略的改进方法：首先采用分水岭分割法确定图像的分块数量,然后对图像进行分块,每个子块提取一定数量的特征点,以便实现特征点的均匀提取;再通过稀疏特征树法找出匹配的特征点对;最后用RANSAC算法剔除错误匹配特征点对,同时计算参考图像与待配准图像的变换关系．实验表明,该方法能够高效、快速地解决遥感图像的自动配准问题．     

图像配准技术研究

图像配准技术是图像拼接技术最关键的步骤,图像配准的好坏直接决定了图像拼接结果的优劣。对图像配准工作进行了总结,介绍了基于区域的图像配准和基于特征的图像配准方法,并分析了各个方法的优缺点,同时指出了现有图像配准算法存在的问题和发展的方向。     

一种快速稳健的图像配准算法

本文对图像配准问题进行了研究,提出了一种快速、稳健的基于特征点匹配的配准算法。采用小波变换建立图像金字塔,从分辨率最低的图像层开始进行特征点匹配,在次一层匹配时以上层匹配结果为粗值,在原始图像上得到初始匹配点后采用RANSAC算法稳健估计变换矩阵H;为了提高配准算法的精度,采用变换矩阵H引导两幅原始图像上的所有特征点重新进行匹配,对得到的匹配点集重新用RANSAC算法估计变换矩阵,并采用LM非线性优化算法进一步优化。通过实验分析对比,本文的算法比原算法速度更快,更稳健。     

改进的基于纹理特征的图像配准算法

针对图像纹理规则性与重复性及图像起始纹理分布的不一致性,依据VE4000检测系统的纹理特征配准算法达到配准目的。该算法自行设计标准单一模板,对单一模板进行裁剪与拼接技术达到了图像配准的目的,但是配准效果较差,在此基础上提出了改进的纹理特征配准算法,重新设计模板,拼接生成标准的参考图像,对参考图像进行匹配与裁剪以获取不同配准图像。实验结果证明,改进的基于纹理特征的配准算法运行时间短,配准误差小,能够很好满足缺陷检测的配准需求。     

基于多尺度支撑域描述子的多光谱图像匹配算法

针对现有多光谱图像匹配算法鲁棒性不强的问题,提出一种新的基于多尺度支撑域描述子的多光谱图像匹配算法。该算法首先提取Harris角点作为特征点;然后分别统计特征点不同尺度邻域内的边缘方向直方图,组合构成特征描述子;以欧氏距离为相似度准则,使用比值法获得初始匹配结果;最后提出了一种基于RANSAC算法的外点去除算法。实验结果表明,该算法可有效匹配多光谱图像,且与已有算法相比鲁棒性更强,获取的正确匹配对更多。     

基于改进CNN-RANSAC的水下图像特征配准方法

水对光的吸收和散射效应降低了水下图像的质量,水下图像的可视范围受到限制,复杂水下场景下的鲁棒性和精确性问题使得特征提取与匹配成为一项具有挑战性的任务。为了更好地配准水下图像,提出了一种改进CNN-RANSAC的水下图像特征配准方法,首先通过基于深度卷积神经网络的水下图像增强方法对水下图像进行增强预处理,通过水下图像分类数据集迁移学习训练VGGNet-16网络框架,利用修改后的网络框架进行特征提取,生成鲁棒的多尺度特征描述符与特征点,经过特征粗匹配与动态内点选择,使用改进的RANSAC方法剔除误匹配点。在大量水下图像数据集上进行了充分的特征提取和特征匹配实验,与基于SIFT和SURF的配准方法相比,该方法能够检测到更多的特征点,实现了匹配正确率的大幅度提高。     

基于K-means聚类和RANSAC的图像配准算法研究

针对图像配准中特征点匹配方法存在实时性不高和精度低的问题,提出了一种基于K means聚类和RANSAC的图像配准算法。该算法根据匹配点对距离和方向特征的视差约束条件,首先利用K means聚类对匹配点对进行预处理,剔除大部分错误匹配点,然后利用RANSAC进行二次优化,实现了图像的快速和精确配准。实验结果表明,该算法不仅提高了图像配准的精确度,而且提高了图像配准的速度。     

基于局部特征描述的多模态视网膜图像配准*

提出了一种基于局部特征描述的多模态视网膜图像配准方法,该方法采用圆环结构划分关键点周围区域,通过局部梯度方向直方图构造特征描述子,并对所提取的特征向量进行规范化。实验证明,该算法在多模态视网膜数据集上提高了配准的成功率,相比于经典算法提高了算法的速度和鲁棒性。     

基于最大特征点对互信息的图像配准*

定义了局部特征点对互信息量,并在两个合理的假设下提出了基于最大特征点对互信息量的一种新的图像配准方法.该方法包含了两个搜索过程:第一个过程是基于特征点对的全局搜索过程,该过程得到初始匹配点对;第二个过程是在初始匹配点对的邻域内利用互信息基本性质的局部搜索,该过程可以进一步提高匹配点对的精度.全局搜索过程能够提高搜索效率,而局部搜索又可以克服依赖于准确提取特征点的不足.最后通过理论分析和实验证明了所提出方法的有效性.     

自适应特征点检测的可见-红外图像配准

目的 针对可见—红外图像之间配准点的数量不足、分布严重不均匀以及配准点之间的错配率高这3个核心问题,提出一种基于自适应特征点检测的可见—红外图像配准方法。方法 本文提出的自适应特征点检测方法,以Harris corner作为基本特征点;以特征点数目与空间分布为检测目标,从而自动地估计合适不同空间位置的特征点的检测阈值。在特征点对匹配中,将梯度方向与互信息相融合有效地添加了相似性函数的空间位置信息。结果 自适应Harris corner检测方法能够有效地提供空间分布均匀、数量充足的特征点。而梯度方向与互信息相融合的相似性匹配函数提高特征点的匹配率20%,降低配准误差50%。结论 本文提出的多传感器图像配准方法能够快速、准确地实现可见光图像与红外图像之间的配准,在CCD-IR图像融合领域具有很好的实用价值。     

基于区域特征的图像自动配准方法

通过分析比较不同配准方法的原理及优缺点,提出了一种基于图像区域特征的配准方法.算法首先对待配准图像进行自适应阈值分割,然后利用数学形态学方法进行区域轮廓提取优化,接着计算各区域的特征描述,最后以各特征向量距离最近区域的重心作为控制点集对图像进行配准.实验结果表明,该算法能够对图像进行快速准确的配准,而且具有纠正一定几何畸变的能力,是一种有效的自动配准方法.     

基于深度卷积特征光流的形变医学图像配准算法

光流法是一种基于光流场模型的重要而有效的形变配准算法。针对现有光流法所用特征质量不高使得配准结果不够准确的问题，将深度卷积神经网络特征和光流法相结合，提出了基于深度卷积特征光流（DCFOF）的形变医学图像配准算法。首先利用深度卷积神经网络稠密地提取图像中每个像素所在图像块的深度卷积特征，然后基于固定图像和浮动图像间的深度卷积特征差异求解光流场。通过提取图像的更为精确和鲁棒的深度学习特征，使求得的光流场更接近真实形变场，提升了配准精度。实验结果表明，所提算法能够更有效地解决形变医学图像配准问题，其配准精度优于Demons算法、尺度不变特征变换(SIFT) Flow算法以及医学图像专业配准软件Elastix。