强噪声干扰下的对数极坐标空间边缘提取算法

准确提取对数极坐标空间的目标边缘信息是对数极坐标变换视觉不变性获得成功应用的前提和关键。由于传统的边缘提取算法无法满足强噪声干扰下的单像素精度要求,在主动轮廓模型和水平集方法的基础上,设计了一种独特的边缘提取算法。经融合Canny算子的水平集方法全局降噪,利用能量驱动的主动轮廓模型逐次演化逼近,提取可能的边缘曲线,通过改进型跟踪寻迹剔除虚假信息,即可得到最终的目标边缘。实验表明,该算法行之有效,边缘提取特征相似度达96%以上。

对数极坐标特征指导的迭代就近点法

在多模态图像,有光照、取向及尺度或纹理变化的图像,以及宽基线图像之间通常存在大的形貌畸变。然而,当前主流推广的双自举迭代就近点法(GDB-ICP)在配准这类图对时存在困难。主要原因是,该方法利用提取的尺度不变泡点(SIFT keypoint)来引导迭代就近点法(ICP),但在大畸变图像上提取的SIFT点是不可靠的。为此,提出了一种用对数极坐标特征点(LPF)来引导迭代就近点的图像配准新方法(LPF-ICP)。实验结果表明,LPF-ICP方法成功地从Rensselaer数据组中的所有22对挑战性图对提取了可靠的LPF种子,并顺利实现了全图配准,而GDB-ICP方法则只完成了其中的19对,从而证实了LPF-ICP方法的有效性。