结合MSA与方向编码的快速景象匹配

针对MSA(Multi-Scale Autoconvolution)算法对光照变化敏感且在进行目标搜索时计算量大的缺点,提出了一种结合MSA和方向编码的快速景象匹配算法。首先,求待匹配图和模板的方向编码图,以消除光照变化的影响;其次,对方向编码图进行分块处理,分别求取各子块的MSA值,在每个搜索位置,只更新MSA值矩阵的一行(列),这样使计算量减少到不足原MSA算法的1/8。用cameraman图像和实际卫星拍摄图像进行实验,结果表明,改进后的算法不仅对仿射变换、轻微透视投影变换、噪声及遮挡具有鲁棒性,同时可以抗光照变化的影响,且搜索速度更快,在实际拍摄的图像中能对目标进行准确识别和定位。

基于广义典型相关分析的仿射不变特征提取方法

该文结合广义典型相关分析(GCCA)理论,提出了一种新的图像仿射不变特征提取方法。首先,基于多尺度自卷积变换(MSA)构造了一组新的变换量—多尺度自卷积熵(MSAE)。然后证明了该熵具有仿射不变性;再利用GCCA将MSA和MSAE变换值作为两种特征进行融合,得到具有更丰富图像信息的组合特征。最后利用MSA,MSAE和组合特征,结合最近距离分类器分别对视点变换图像以及加噪声、加部分遮挡视点变换图像进行分类识别实验。结果表明,组合特征得到了最高的正确识别率,MSAE次之,MSA最低。

基于多尺度自卷积归一化直方图的仿射不变量模式识别

仿射不变量特征提取方法已成为计算机视觉研究的重点课题之一.本文提出一种归一化直方图算法,该算法基于多尺度自卷积变换中密度函数的概念,研究归一化密度函数的方法,构建了从目标图像中提取直方图仿射不变量特征提取算法,实现了基于多尺度自卷积归一化直方图的仿射不变量模式识别.仿真实验表明,本算法对一定范围内的噪声,局部遮挡,照度及视角变化具有良好的适应性,特别是在多种环境下,其识别率优于多尺度自卷积和基于多尺度自卷积的其它直方图算法.

一种多尺度自卷积快速算法

本文提出了一种MSA变换的快速算法.根据快速傅里叶变换理论,在MSA变换尺度的最小取值范围内,推导出最小基准变换尺寸,以取代同一尺度变换的不同变换尺寸,减少MSA变换计算次数;此外,在MSA变换尺度的最小取值范围外,利用MSA变换的对称性进行尺度范围映射,减小MSA变换尺寸,降低计算复杂度.利用典型数据,从时间效率和特征值精度对算法进行仿真分析验证.实验表明,所提快速计算方法在保证特征值精度一致的前提下,计算速度提高到3倍以上.

基于改进SIFT的SAR图像配准方法

针对尺度不变特征变换(SIFT)配准方法在处理SAR图像时精度不高的问题,提出一种基于改进SIFT的精确配准方法。在提取关键点SIFT描述子及其邻域多尺度自卷积矩不变特征的基础上,利用基于典型相关分析的融合算法对SIFT与矩不变特征进行融合,形成新的关键点描述子,使用阈值实现粗匹配,并结合关键点的距离与邻域灰度相关性构建相似矩阵,采用奇异值分解方法精确确定匹配点对,求出仿射变换模型参数,从而完成图像配准。实验结果表明,该方法的配准结果优于SIFT方法,且配准精度达到亚像素级。

基于MSA不变矩的道路导向标线分类

针对公路复杂行车环境中前方道路导向标线的识别问题,利用具有仿射不变性的多尺度自卷积(MSA)矩,并融合坚固度和方向等图像区域特征,构造出一种适于道路导向标线的图像形状描述子,然后应用支持向量机(SVM)进行图像目标分类。实验结果表明,该描述子具有近似射影不变性,能有效应用于不同视角和发生部分遮挡的道路导向标线分类。

显著图和多特征结合的遥感图像飞机目标识别

目的遥感图像飞机目标的检测与识别是近年来国内外研究的热点之一。传统的飞机目标识别算法一般是先通过目标分割,然后提取不变特征进行训练来完成目标的识别。在干扰较少的情况下,传统算法的识别效果较好。但遥感图像存在着大量的干扰因素,如光照变化、复杂背景及噪声等,因此传统算法识别精度较低,耗时量较大。为快速、准确识别遥感图像中飞机目标,提出一种基于显著图和全局特征、局部特征结合的飞机目标识别算法。方法首先使用改进的Itti显著算法提取遥感图像中的显著目标;接着使用基于区域增长和线标记算法寻找连通区域来确定候选目标的数量和位置;然后提取MSA(multi-scale autoconvolution)、Pseudo-Zernike矩和HarrisLaplace特征描述子,并使用标准差和均值的比值来评估特征的稳定性,再把提取的特征结合成特征向量;最后应用支持向量机的方法完成对候选目标的识别。结果实验结果表明,本文算法检测率和识别率分别为97.2%和94.9%,均高于现有算法,并且耗时少,虚警率低(为0.03),对噪声干扰、背景影响以及光照变化和仿射变化均具有良好的鲁棒性。结论本文算法使用了图像的3种特征信息,包括MSA、Pseudo-Zernike矩和Harris-Laplace特征描述子,有效克服单一特征的缺点,提高了遥感图像飞机目标的识别率和抗干扰能力。