基于网格多密度的古建筑图像特征匹配方法

古建筑图像三维重建中图像特征可靠匹配是影响重建效果的一个关键问题.为提高古建筑图像特征的匹配性能,提出了一种基于网格多密度聚类的特征匹配方法.该方法首先采用SIFT算子获取图像特征点;其次对图像进行网格划分,依据网格单元特征点密度确定图像锚单元、邻居单元、边界单元;然后依据局部区域密度相似性确定图像簇;最后对相似簇中的特征点依据最近邻距离比准则进行匹配.在中国古代建筑三维重建数据集和141幅山西晋祠古建筑图像上进行了实验,验证了算法的有效性.

基于视觉注意力和FCA的古建筑图像语义完备

准确完备的古建筑图像语义不仅可提高古建筑图像检索效率,且能有效反映古建筑的历史文化信息。针对不同古建筑图像轮廓特征明显不同且建筑语义互相关联,为有效丰富古建筑图像语义,提出一种基于视觉注意力机制和形式概念分析(Formal Concept Analysis,FCA)的古建筑图像语义完备方法。首先使用注意力算子网络和VGG16网络模型生成待标注古建筑图像注意力图,并通过softmax分类器进行分类,获取图像初始标签集;其次构造基于待标注图像初始标签及其近邻标签的概念格;然后,利用概念格上下文分析语义的特点,通过概念节点之间的相似度度量,获取待标注图像潜在的语义标签。最后,在古建筑图像数据集上进行实验,结果验证了该方法能够有效地提高古建筑图像标注精度,丰富古建筑图像语义。

古建筑全景AI图像双角度偏振去雾仿真

由于古建筑全景AI图像受光照条件实时变化影响,在复杂纹理和高对比度区域,存在着多种密度和颜色的雾气,若不能及时提取图像的偏振特征,会直接降低图像的去雾效果。为此,提出古建筑全景AI图像双角度偏振去雾仿真。对获取的古建筑原始图像实施去噪处理,提升图像质量,建立图像大气散射模型;根据模型获取建筑图像双角度偏振图像,提取图像偏振特征,划分图像天空区域;采用暗通道先验原理获取图像无穷远大气光强,结合上述建立的大气散射模型,实现古建筑全景AI图像的去雾增强。实验结果表明,上述方法开展图像去雾时,去雾效果好、性能高。

基于加权相似性度量的特征匹配方法

针对图像特征匹配过程中采集图像易受噪声、光照、尺度等因素影响使产生的匹配结果鲁棒性差、误匹配率高等问题,提出一种基于加权相似性度量(WSM)的特征匹配方法。该方法首先采用基于网格多密度聚类的特征匹配(FM_GMC)算法对原始图像进行特征聚类块划分;其次在每一特征聚类块中,采用Canny提取边缘特征点并使用尺度不变特征变换(SIFT)进行描述;然后采用加权的方式对特征聚类块之间的空间上下文信息间的Hausdorff距离、图像特征点外观描述子间的欧氏距离以及图像特征点的局部几何灰度信息的归一化互相关度量(NCC)进行相似性度量;最后依据最近邻距离比值(NNDR)对相似性度量结果进一步优化,从而确定特征匹配结果。以古建筑图像为数据集的实验结果表明WSM方法的平均匹配精确率达到92%,在匹配数量和精确率上优于常用的特征匹配方法,验证了该方法的有效性和鲁棒性。