自适应对比度阈值SIFT算法研究

SIFT(Scale Invariant Feature Transform)算法剔除掉对比度小于给定阈值的候选特征点,认为这些点是不稳定的,但是并没有普遍适用的阈值;固定对比度阈值SIFT算法提取的特征点数目,随着图像对比度的降低而急剧减少,并且整幅图像采用一个固定的阈值,会造成特征点的分布不均匀,无法满足图像高精度匹配的需求;因此需要根据图像人工调整对比度阈值;但是人工调整阈值不能够实现图像的自动匹配,满足不了无法进行人工干预的场合。因此为了提高基于SIFT图像匹配算法的精确性和自动化水平,提出了一种根据特征点局部邻域内的灰度信息,确定对比度阈值的方法,用于改进SIFT算法,并将改进后的算法用于图像匹配;实验结果表明,改进后的SIFT算法能够根据特征点邻域内的灰度分布情况,自动计算对比度阈值,能够很好地适应图像对比度的变化,明显增强了SIFT算法对于低对比度图像匹配的鲁棒性。     

基于SIFT特征的地貌图像匹配研究

求解地貌图像匹配点对是地貌反求测量过程中的核心问题之一.针对地貌图像的特点,选用基于SIFT 特征图像匹配算法,并根据其算法特点在Vc+ +环境下编写了匹配程序.对地貌模型图像在视角变化、光照不一致等情况下,进行大量实验表明,该方法具有稳定、快速、高效的特点.     

一种二次阈值调整SIFT算法

SIFT算法因其良好的特征提取和匹配效果得到了广泛的应用,但在光照不足和模糊条件下其效果不能令人满意,为此提出了一种基于全局信息和局部信息的自适应SIFT算法。利用图像的对比度信息得到初始阈值,使该阈值适应光照不足和模糊图像,根据周围特征点分布情况来对阈值进行二次调整以控制特征点数目及分布,并改进了误匹配剔除方法。实验结果表明,改进后的SIFT算法不仅能很好地适应低光照和模糊图像,而且可以调节特征点数目,降低簇效应。     

一种基于SIFT和SUSAN特征的图像匹配方法

针对SIFT方法在角点检测上的不足,提出了一种基于SIFT和SUSAN混合特征匹配的自动匹配算法。算法应用SIFT和SUSAN两种具有互补特性的局部不变特征,利用SIFT方法检测空间极值特征点,利用SUSAN方法检测角点,结合两种特征点位置,利用SIFT方法生成匹配特征向量,最后根据最近邻特征点距离与次近邻特征点距离之比确定初始匹配点对,实现图像的配准。实验表明该算法有效,能够提高图像的自动匹配准确性。     

一种基于特征点的遥感图像匹配算法

以遥感图像为研究对象论述了一种基于特征点的图像匹配算法在遥感图像匹配与拼接中的应用及改进。在提取图像特征点上,尺度不变特征转换SIFT算法能够对缩放、旋转、仿射的图像保持尺度不变特性。对于提取出的SIFT特征点,采用改进的随机抽样一致性RANSAC方法进行提纯,剔除多余的特征点,缩短匹配时间。实验证明,该算法有效提高了遥感图像匹配的效率和准确性。     

一种基于SIFT特征的快速图像匹配算法

经典的SIFT算法具有良好的尺度、旋转、光强不变特性而广泛应用于图像匹配。图像特征点较少时,匹配过程使用穷举法查找最近邻匹配点;当图像特征点较多时采用KD-Tree结构,而其检索过程存在"回溯"现象,这两种方法的匹配效率都不高。为了提高特征点的匹配速度,提出改进的SP-Tree结构解决"回溯"问题。在结点集分割时设置参数合理确定左右超平面位置,引入平衡因子作为结点分割方法选择的依据,采用近似最近邻搜索算法加快特征点匹配速度。给出算法的详细实现过程,并应用两幅图像进行验证。实验结果表明:SIFT特征向量采用改进SP-Tree结构在损失少部分匹配点的同时,提高了SIFT特征点的整体匹配速度,适合于图像特征的实时匹配过程。     

基于改进SIFT特征和图转换匹配的图像匹配算法

针对SIFT特征在纹理丰富的图像中提取较多的伪点和不稳定的点而影响图像匹配的问题, 提出了一种基于Harris阈值准则的局部不变特征图像匹配算法。该算法在提取SIFT不变特征的基础上, 利用Harris阈值准则对所提取到的不变特征进行选择, 剔除了图像区域中大量可区分性较差的特征点, 从而得到了相对稳定和可区分性较好的特征点。其次, 结合不变特征矢量与图转换匹配(GTM)的方法对提取到的稳定特征点进行了精确匹配。实验对比结果表明, 用取得稳定的特征点, 进而结合一种好的匹配策略, 能够更加增强图像匹配的高效性和鲁棒性。     

基于SIFT特征点的图像匹配技术研究

图像配准是遥感、医学、计算机视觉等很多领域中的一个基本问题。针对特征点的匹配,该文首先采用LTS Haus dorff距离进行特征点的初匹配,然后采用基于Sampson距离的随机抽样一致性算法去除伪匹配的特征点对。实验证明,该方法可以实现图像的精确配准。     

一种透视不变的图像匹配算法

针对ASIFT (Affine scale invariant feature transform) 算法存在的仿射采样策略、采样点离散设置等问题,提出了一种基于粒子群优化的图像透视不变特征PSIFT (Perspective scale invariant feature transform)算法. 该算法通过虚拟相机的透视采样来模拟景物在多视角图像中的变形. 在此基础上,将图像匹配问题转换为透视变换的优化问题,并以粒子群算法为工具,研究了虚拟相机旋转参数搜索空间、适应值函数的合理设定. 针对三组不同类型低空遥感图像的实验结果表明,该算法比ASIFT、SIFT (Scale invariant feature transform)、Harris affine和MSER (Maximally stable extremal regions)等算法获得更多的特征匹配对,有效地提高了算法对视角变化的鲁棒性.     

基于SIFT特征点的图像匹配技术研究

图像配准是遥感、医学、计算机视觉等很多领域中的一个基本问题。针对特征点的匹配,该文首先采用LTS Haus-dorff距离进行特征点的初匹配,然后采用基于Sampson距离的随机抽样一致性算法去除伪匹配的特征点对。实验证明,该方法可以实现图像的精确配准。     

一种基于LTP特征的图像匹配方法*

为了解决可变光照条件下图像匹配困难这一问题,提出一种基于LTP（局部三值模式）特征的图像匹配方法。LTP是LBP（局部二值模式）的扩展,这种局部纹理描述算法较LBP更具有判别能力而且对于统一区域的噪声更不敏感。利用LTP对于图像旋转和光照变化都具有良好的鲁棒性,解决了在光照可变条件下流行的SIFT方法进行匹配的困难。通过对不同变换的图像进行匹配实验表明,该方法得到的匹配结果比LBP效果更好,鲁棒性更高,而在光照可变和噪声很大的情况下比流行的SIFT方法更实用。     

基于局部SIFT特征点的双阈值配准算法

针对SIFT匹配算法和SIFT与RANSAC结合的匹配算法都存在不同程度误匹配的问题,提出一种基于局部SIFT特征点的双阈值匹配算法。设计变步长迭代准则获取SIFT双阈值,其中大阈值匹配获得一组稀疏的精确匹配,小阈值匹配获得一组可能存在误匹配的密集匹配。以精确匹配建立目标的形变约束模型,以此为基础从密集匹配中删除误匹配。通过这些正确的匹配点估计两幅图像之间的变换矩阵。为了降低算法所需时间,提高效率,通过分析图像的纹理变化,采用提取其变化最为剧烈的区域来代表整幅图像进行匹配运算。实验结果表明,该算法在图像存在平移、旋转等仿射变化情况下具有配准精度高,稳定和快速等特点。     

基于局部不变特征的图像匹配算法

针对计算机视觉领域中的图像匹配问题,提出一种新的基于局部不变特征的匹配算法。使用高斯差分检测特征点,将特征点领域内Haar小波响应投影到四个方向轴上,进而生成一个用来描述特征点的64维向量,采用最近邻距离比进行特征匹配。实验结果表明,该算法不仅快速、稳定,而且匹配准确率比PCA-SIFT、SURF、MSOP高。     

一种基于特征匹配的人脸配准判断方法

现有的人脸识别应用系统大都忽略了人脸配准的检查,造成"误配准灾难",导致识别性能下降。因此,对规格化后的人脸图像进行判断筛选,以保证只有正确配准的人脸图像才能用于后续识别。选用一定数量正确配准的规格化人脸图像平均值作为标准人脸,用SIFT关键点定位方法得到标准人脸的多个关键点,采用分块的梯度方向直方图统计方法提取关键点的邻域图像特征;然后,将标准人脸的关键点位置作为待检测人脸的定位点,用同样的方法提取定位点的邻域图像特征;计算待检图像与标准人脸图像对应关键点的特征矢量相似度,设定合理阈值判断待检测图像是否配准。实验证明,该方法能有效去除误配准人脸图像,有利于提高人脸识别系统的可靠性。     

一种基于混合特征核的图像检索方法

为了更准确地描述图像的视觉特征,提高图像检索的查准率与查全率,提出了一种基于混合特征核的图像检索方法.该方法提取图像的颜色、纹理、SIFT特征,引入高斯核函数,建立图像的混合特征核模型,在高维的核空间进行基于核的图像聚类.实验表明,该混合模型与传统多特征融合方法以及单一特征核方法相比,能够更好地表示图像的视觉特征,提高检索的查准率和查全率.     

火灾视频图像定位中特征点提取和匹配

SIFT算法广泛用于三维目标识别,但其由于依赖过多的特征点,计算量大,在实际火灾图像定位中很难保证算法的实时性。在保留了SIFT算法良好的旋转、尺度、光照等不变特性的基础上,采用关键点的4×4窗口（16维向量）表示关键点的特征描述。同时,利用双向匹配在特征点的匹配上保证了准确率。实验数据表明,该算法在很大程度上提高了图像的匹配速度,准确率满足火灾空间定位的需要。     

基于图像分割的立体匹配算法

针对在立体匹配中弱纹理及纯色区域匹配不准确和图像分割算法耗时较多的问题,提出一种融合图像分割的立体匹配算法。首先,将初始图像进行高斯滤波和Sobel平滑的处理,获取图像的边缘特征图;然后,将原图的红、绿、蓝三个通道值采用最大类间方差法进行二分类,再融合得到分割模板图;最后,将所得到的灰度图、边缘特征图和分割模板图用于视差计算和视差优化的过程,计算得到视差图。相比绝对差值和(SAD)算法,所提算法在精度上平均提升了14.23个百分点,时间开销上平均每万个像素点只多消耗了7.16 ms。实验结果表明,该算法在纯色及弱纹理区域和视差不连续区域取得了更加平滑的匹配结果,在图像分割上能够自动计算阈值且能够较快地对图像进行分割。     

基于多传感器图像融合技术的鲁棒景象匹配算法

将多个传感器获取的具有不同大小、不同分辨力和不同信噪比的实时图基于Kalm an滤波的方法进行融合,以提高实时图的性能;搜索融合后的实时图在基准图中的位置达到目标定位之目的,即进行景象匹配。在景象匹配过程中,选用归一化互相关系数作为相似性度量。多组实验与分析表明:所介绍的基于多传感器图像融合技术的景象匹配算法可以有效地解决实时图存在部分遮挡、灰度与对比度变化以及复杂噪声干扰等影响下的景象匹配问题。