FKPCA-SIFT算法在图像匹配中的应用

SIFT是目前广泛应用于目标识别和图像匹配领域的算法,但其在使用过程中存在描述子维数过大、耗时时间长的缺点。针对这个问题,常用的解决办法是利用PCA算法对描述子进行降维,由于PCA是一种线性降维算法,因此它的使用具有局限性。对此,利用模糊K均值算法对其进行改进(称为FKPCA),并用改进的RANSAC算法消除误匹配点。实验结果表明,PCA-SIFT算法和FKPCA-SIFT都很好地保持了SIFT算法原有的优点,具有很高的匹配正确率。但相对于PCASIFT算法,FKPCA-SIFT不仅适用于线性降维也适用于非线性降维,具有更好的匹配精度,拓展了PCA-SIFT算法的适用范围。

基于KPCA-SIFT描述符的图像配准

SIFT描述符是一种鲁棒的局部特征描述符,利用核主成分分析的特征提取方法,对每个特征点的SIFT特征进行降维处理。核主成分分析采用非线性方法提取主成分,是主成分分析的改进算法。本文描述了一种基于KPCA-SIFT描述符的高精度图像配准算法,通过对KPCA-SIFT特征的相似性度量得到匹配点对,再根据这些匹配点对对图像进行配准。实验结果表明,KPCA-SIFT特征精确、稳定、可靠,可以得到高精度的配准。

一种面向多核处理器的高效并行PCA-SIFT算法

提出一种面向多核处理器的并行PCA-SIFT算法,采用数据级并行方法实现并行的特征提取和特征点匹配,将计算任务分配到各个DSP核并行处理,充分开发多核处理器的多级并行性。实验结果表明,并行PCA-SIFT算法对各种不同图像形变的图像具有良好的适应性,具有接近串行PCA-SIFT算法的图像匹配能力,平均加速比达3.12。

基于PCA-SIFT和马氏距离的SAR图像自动配准

针对SAR图像特征,提出了一种基于PCA-SIFT算法和马氏距离的SAR图像自动配准方法。首先,利用PCA-SIFT和马氏距离不变量理论相结合获得特征点及完成特征点配对;然后,利用RANSAC算法消除误匹配,并据此估计变换矩阵;最后,根据得到的变换矩阵进行图像间的映射,并对其进行重采样,实现SAR图像的自动配准。实验证明,该方法能够实现本文图像的配准,具有一定有效性和鲁棒性。

PCA-SIFT特征匹配算法研究

SIFT特征具有旋转、尺度和明暗变化的不变性,在图像匹配中得到广泛应用。针对SIFT特征匹配中耗时长、匹配点对少、准确率低的问题,提出PCA-SIFT特征匹配的方法。使用更加精简的方法构建特征点描述向量,通过预先构建的投影矩阵对描述向量进行主成分分析,降低描述向量的维度从而提高了特征匹配的速度,同时降维也对描述向量进行了去噪提纯,使得匹配更加准确。实验证明,利用PCA-SIFT特征进行匹配在降低匹配耗时的同时,增加了匹配点对,匹配准确率也得到提高。

基于PCA-SIFT特征检测的眼底图像拼接

确定稳定的特征点是图像配准和拼接的重要环节。针对传统基于特征的拼接方法需要原始图像具有明显的角点或边界信息的弱点,将PAC-SIFT(Principal Components Analysis-scale invariant keypoints)主成分不变特征检测算法引入到眼底图像拼接中。该算法在划分的特征子区域内用梯度构造特征量,并用主成分分析法(PCA)降低特征维数。在拼接时,采用淡入淡出算法完成眼底图像的拼接。实验结果表明:该算法能够有效实现眼底图像的精确配准和平滑。

基于PCA-SIFT的煤矿监控目标识别及行为分析

运动目标轮廓识别是提升煤矿井下监控预测价值的基础,也是监控视频系统的开发难点。通过提出PCA-SIFT算法,运用该算法对煤矿监控运动目标进行识别,并将识别结果与传统Mean Shift算法对比。结果表明:PCA-SIFT算法可更加清晰地识别出井下图像轮廓,其帧处理效率和正确率更高,且运动目标跟踪误差十分稳定,可有效防止跟踪目标丢失。

基于PCA-SIFT算法的产品表面缺陷检测研究

针对复杂产品表面正确性的快速自动无损检测问题,提出了一种基于PCA-SIFT算法的自动识别。该算法是对基于尺度旋转不变性(SIFT)算法的改进,在保证识别精确度的前提下,利用主元分析法(PCA)进行降维处理,改变了描述子的生成方式,以减少计算的时间,提高算法的实时性,最后通过相关度计算判别各区域有无缺陷。实验表明在保证准确率的前提下本论文所提出的算法比单独使用SIFT算法平均可以节省0.5s。

基于SIFT,PCA-SIFT和SURF特征检测方法的研究

文章对SIFT,PCA-SIFT和SURF三种鲁棒性较强的特征检测方法作对比.文中运用KNN(K-Nearest Neighbor)和RANSAC的方法对这三种方法进行分析.其中KNN用于寻求匹配对,RANSAC用于从匹配对中剔除错误匹配.特征检测性能的鲁棒性主要是对图像旋转、图像模糊、光照变化、尺度变化下的图像进行测试.在各种图像变换中SIFT都体现出了稳定性,但计算速度相对比较慢.SURF不仅与SIFT的性能相一致,而且还拥有较快的计算速度.PCA-SIFT在图像旋转和光照变化中有较好的性能.

基于RANSAC的PCA-SIFT立体匹配方法研究

针对传统的SIFT (Scale-Invariant Feature Transform)匹配算法数据量大,耗时长的问题,采用主成分不变特征变换PCA-SIFT (Principal Component Analysis, PCA)匹配算法。PCA-SIFT匹配算法将传统SIFT算法中的直方图法换做主元分析法,降低了传统SIFT特征描述符的维数,减少了数据量,提高了匹配效率。首先提取出两幅待匹配图像中的所有特征描述子,其次将提取出的特征描述子采用距离比阈值筛选出匹配点对,再采用RANSAC (Random Sample Consensus)法消除错配,最后得到精确的匹配结果。实验结果表明,PCA-SIFT + RANSAC算法较稳定、精确、快速。

基于PCA-SIFT特征匹配的图像拼接算法

针对传统基于尺度不变特征变换（SIFT）的特征匹配图像拼接算法中数据量过大、耗时较长的问题,提出一种基于主成分不变特征变换（PCA-SIFT）的图像拼接方法。该方法使用主成分分析（PCA）法减少了传统SIFT特征描述符的维数,降低了特征点描述符数据复杂度。在提取PCA-SIFT特征的基础上,利用最近邻近算法建立特征点对之间的初次匹配,采用具有鲁棒性的随机抽样一致性算法（RANSAC）去除错误匹配,最后运用渐入渐出加权融合算法进行图像融合。40组拼接仿真实验中,图像拼接速度相较于传统的基于SIFT算法提高了46%~49%。实验结果表明,该方法在保证具有良好的拼接质量的前提下,提高了图像拼接速度。

Hadoop下煤矿图像PCA-SIFT算法改进及研究

大数据技术是当下热点问题,其中,Hadoop技术在煤矿领域的应用也引起了广泛关注。针对传统煤矿视频监控系统图像采集点多,单机环境煤场景矿图像特征提取效率低下等问题,提出了一种基于Hadoop的PCA-SIFT图像特征并行提取算法,该算法采用PCA算法对并行提取的煤矿图像的SIFT特征进行了并行降维处理。使用汾西矿务局煤矿图像井下数据集进行实验,提出的算法SIFT特征点检测效果好,运行耗时少,图像数量加剧后,系统加速比几乎呈线性增长的趋势,验证了算法处理大规模煤矿图像数据的有效性。

基于PCA-SIFT特征与贝叶斯决策的图像分类算法

针对现有的基于SIFT特征的图像分类算法具有较大的储存空间需求及对图像背景较为敏感的问题,提出一种基于PCA-SIFT特征和贝叶斯决策的图像分类算法。该算法首先应用主成分分析将SIFT特征从128维降为36维,在训练过程中,对训练样本图像的PCA-SIFT进行区域匹配。基于匹配率选择目标图像中的稳定PCA-SIFT以提高算法对背景图像干扰的鲁棒性,然后应用最大似然估计估计概率分布参数,最后,应用贝叶斯决策理论实现图像分类。仿真实验表明,该算法与现有的SIFT图像分类算法相比分类精度高,而且具有最小的储存空间需求与较高的计算效率。

改进PCA-SIFT的电子标签图像匹配算法

为了解决尺度不变特征变换(scale-invariant feature transform,SIFT)算法在电子标签图像匹配中耗时长、匹配率不高等问题,提出了基于改进PCA-SIFT的图像匹配算法。首先通过SIFT算法获取图像关键特征点,形成128维特征向量,然后采用PCA降维后进行K-means聚类,实现对电子标签的有效辨别,初步剔除无效图片,最后采用随机抽样一致性算法(random sample consensus,RANSAC)仿射变换,实现对电子标签的快速匹配。实验结果表明:与其他匹配算法相比,改进算法可以快速剔除无效图片,提高了匹配效率,在较为复杂的环境中有良好的检测效果。同时,采用基于PCA处理的改进SIFT算法比经典SIFT算法在时间上平均节省0.1 s,在处理速度上提高了2倍以上,正确匹配率提高6%,而且该方法具有更好的匹配效果。

基于直方图均衡化的PCA-SIFT图像特征提取与匹配改进算法

为了克服SIFT算法运算量大、运算耗时长和实时性不强的缺点,课题组提出了基于直方图均衡化PCA-SIFT算法,以增强灰度图像的明暗对比度,增加匹配成功率,改进描述子生成方式,沿用主成分分析法(PCA)降低特征检测维度,减少耗时。仿真实验表明该算法有效地减少了运算时间,并且一定程度上减少了不必要的特征点的匹配数量。新算法能有效减少运算量。

一种改进PCA-SIFT和粒子群优化的图像匹配算法

图像匹配里传统的尺度不变特征变换(SIFT)因为存在数量与维数相对较多,导致出现计算量大匹配时间长的问题。故提出了一种基于PCA-SIFT的改进算法。该算法采用了一种圆形描述符对SIFT降维,同时利用主成分分析(PCA)法对描述符进一步降维,以此来减少描述符的维度带来的大量数据;在匹配时通过分层粒子群算法优化欧式距离与余弦相似度函数,根据粒子的差异性进行分阶层处理,寻找函数的极值,以此找到匹配点;通过实验对比发现特征点减少了5%~10%,时间也相对减少,改进的PCA-SIFT匹配算法可以有效地提升匹配的准确率。

一种面向图像拼接的改进PCA-SIFT算法

针对图像拼接中尺度不变特征变换(SIFT)算法没有充分考虑特征点的分布情况且计算复杂、耗时较长等问题,提出了一种基于改进的PCA-SIFT算法.该算法首先在空间极值点检测阶段引入改进的非极大值抑制法对初始特征点进行优选,得到分布更加均匀的特征点集;然后在构建描述符阶段基于圆形领域提取64维SIFT描述符,并使用主成分分析(PCA)法对描述符进一步降维,减少描述符的数据复杂度;最后在特征匹配阶段引入基于KD树的BBF搜索策略,采用随机抽样一致性(RANSAC)算法剔除误匹配点,从而提高了匹配速度与匹配精度.在10组图像拼接实验中,本文算法的拼接速度是传统SIFT算法的1.6～2.2倍.实验结果表明,本文算法具有较高的精度、较好的鲁棒性,较强的实时性.

利用PCA-SIFT进行特殊纹理航摄影像匹配

提出了一种基于主成分分析-尺度不变特征变换(principal component analysis,scale invariant feature transform,PCA-SIFT)的特殊纹理航摄影像匹配方法。首先,对影像降采样并进行PCA-SIFT特征匹配;然后利用得到的同名像点计算平面单应矩阵,并确定影像对间的同名区域;随后,在同名区域间再次进行PCASIFT特征匹配并剔除误匹配点;最后,采用改进的最小二乘影像匹配方法对PCA-SIFT匹配结果进行精化,从而自动识别出同名像点。实验结果表明,本文方法可以达到子像素级的影像匹配精度,即使是在纹理贫乏和重复区域也能够匹配出足够数量的特征点,完全可以满足空中三角测量的影像自动量测要求。

惯导融合特征匹配的小天体着陆导航算法

针对探测器着陆小天体的过程提出了一种基于特征匹配结合惯导信息的探测器自主着陆导航算法。采用PCA-SIFT算法提取绕飞段拍摄小天体图像的特征点,建立特征点数据库,在下降段初期利用特征匹配算法,结合小天体三维模型确定探测器在小天体固连坐标系中的位置。着陆末端,利用拼接图像作为虚拟导航地图,并选择合适的导航特征点,采用光学/惯性的组合导航方式估计探测器相对着陆点坐标系的6自由度位姿。通过仿真分析了导航的精度及误差影响,验证了该算法的有效性。

一种基于图像区域分块的SIFT快速配准方法

针对传统尺度不变特征变换(SIFT)算法在特征提取与描述时计算量大、实时性差的问题,提出一种基于区域分块的SIFT的快速配准方法。首先,将匹配图像和待匹配图像分割成若干均匀的子图,通过计算每个子图的信息熵值与设定阈值比较来确定局部子图的特征类型;对筛选出来的特征区域的子图进行特征提取和生成PCA-SIFT描述子,对筛选出来的平坦区域直接跳过,不进行检测。实验结果表明:提出的方法在保证配准精度90%以上的情况下,计算时间减少了15%~25%左右,提高了图像配准的速度。