基于Harris角点和SURF特征的遥感图像匹配算法

Harris是一种高效的角点检测算法,但不具备尺度不变性。SURF(speeded-up robust features)算法虽然能很好地解决图像尺度变化问题,但是在特征点提取方面没有Harris稳定。针对Harris和SURF两种算法的特点,提出一种新的Harris-SURF特征点提取算法。首先用Harris算法检测图像角点,再用SURF算法提取图像特征点;然后合并角点和特征点,并剔除重复点获得新的特征点集,确定新特征点的主方向并生成特征描述符,再对图像使用比值法进行初匹配;最后利用RANSAC剔除错误匹配点实现精确匹配。实验结果表明,该算法对图像存在旋转、缩放、光照及噪声变化有较强的鲁棒性,同时提高了运行效率。

应用尺度不变特征变换的多源遥感影像特征点匹配

针对多源遥感影像之间灰度值非线性变化导致特征点匹配率大幅度下降的问题,提出了一种利用光谱信息的多源遥感影像特征点匹配算法。首先,以光谱信息对遥感影像波段进行线性拟合,使待匹配影像与参考影像之间的灰度值由非线性转变为线性或者近似线性变化。接着,在拟合的遥感影像上采用改进的尺度不变特征变换(SIFT)算法进行匹配。最后,采用随机抽样一致性算法剔除误匹配点对。与常用特征点检测算法(SIFT,梯度位置朝向直方图(GLOH),RS-SIFT)的对比实验结果表明,本文所用的ETM+影像全色与多光谱影像的特征点匹配率提高了4%左右,CBERS-02B和HJ-1B卫星多光谱影像的正确特征点匹配个数增加了8对。因此,在多源遥感影像特征点匹配中,本文所提算法优于其它检测算法,可以极大地改善匹配效果。

采用改进的尺度不变特征变换算法计算物体旋转角度

改进了传统的尺度不变特征变换(SIFT)算法,使其在进行图像匹配的同时,可以求取出物体的旋转角度。首先,利用SIFT特征对旋转保持不变的特性,按照原算法提取出旋转前后两幅图像的SIFT特征,分析特征点主方向的计算过程,记录每个特征点主方向的角度值进行特征匹配。然后,计算出每对匹配的SIFT特征点的主方向角度之差,得到特征点的旋转角度;采用迭代自组织聚类的方法分析得到的特征点旋转角度数据,依据类内方差和类内样本数目,选取正确的样本类。最后,选用该样本类的均值作为物体的最终旋转角度。实验结果表明,该方法在图像畸变不大时的误差在3°以内,即使在部分遮挡的情况下,也能较好地计算出旋转角度。在时间复杂度增加不大的情况下,使SIFT算法具有了计算旋转角度的功能,拓宽了应用方向。

基于体素格尺度不变特征变换的快速点云配准方法

以三维激光雷达为主的多源融合同步定位与建图技术是无人系统室内外无缝定位的研究热点,点云配准是其中重要环节。为了提高点云配准效率,提出一种基于体素格尺度不变特征变换的快速点云配准方法。首先,基于点云体素格提取尺度不变特征变换的特征点,完成初始配准;然后利用随机抽样一致算法剔除边缘匹配点并优化初始变换参数;最后基于优化初始变换参数,采用K维树近邻搜索法,结合最近邻点迭代配准算法完成原始点云数据的快速精确配准。对开源数据集以及实际采集的6个典型场景数据的测试表明,该方法的平均配准时间较传统最近邻点迭代配准算法缩短了78%。实验结果表明了该方法的有效性。

基于图像深度信息的尺度不变特征变换算法误匹配点对剔除

特征点匹配是基于特征点的图像配准技术中的一个重要环节。针对现有基于尺度不变特征变换(SIFT)图像配准技术特征点匹配不理想,也无法较客观、快速地筛选正确匹配点对的问题,提出结合图像深度信息进行特征点误匹配筛选剔除的方法。该算法首先根据模糊聚焦线索和机器学习算法估计出待配准图像的深度信息图,再提取SIFT特征点,并在特征点匹配环节利用随机抽样一致性(RANSAC)算法迭代循环,结合深度局部连续性的原理来进一步提高匹配精度。实验结果表明,该算法具有很好的误匹配点对剔除功能。

基于SIFT特征点提取的ICP配准算法

为解决传统迭代最近点(ICP)算法对点云配准的起始点对选择不佳而导致配准时间长、效率低的问题,提出一种基于尺度不变特征变换(SIFT)特征点提取的ICP点云配准算法(ST-ICP)。首先使用SIFT算法进行原始点云与目标点云的SIFT特征点提取,根据提取特征点完成快速点特征直方图(FPFH)特征运算,通过采样一致性初始配准算法(SAC-IA)搜索对应点对、求解变换矩阵,再进一步运用ICP算法进行点云精细配准。实验结果表明:与ICP算法相比较,ST-ICP算法的配准误差在迭代次数为5次时减小了1.019 cm,迭代次数为10次时减小了0.443 cm;在配准误差达到10^(-2) cm级别时,ST-ICP算法所用时间比传统ICP算法减少了12.829 s。ST-ICP算法优化了对应点对的选择,提升了配准精度和配准效率。

基于改进型Harris尺度不变特征的图像配准算法研究

图像配准技术广泛应用于计算机视觉、目标识别和图像融合等领域。如何提高图像配准的稳定性、快速性和自适应性一直是图像配准技术研究的一个重要问题。该研究在基于灰度的Harris角点检测算法的基础上引入尺度空间理论,采用基于Harris尺度不变特征的检测算法对特征点进行检测。在描述符的构造过程中,该研究利用圆自身的旋转不变性,不需要给特征点指定主方向,将SIFT 128维特征描述矢量降低至64维特征矢量,可以减少特征描述算法的复杂度,在后续匹配过程中缩短搜索时间,提高匹配速度。仿真结果表明,该文提出的图像配准算法具有较强的匹配能力和鲁棒性,是一种较好的图像配准算法。

尺度不变特征变换法在SAR影像匹配中的应用

通过几组可代表合成孔径雷达(Synthetic aperture radar,SAR)影像配准主要实际应用情景的实验,对尺度不变特征变换法(Scale invariant feature transformation,SIFT)在SAR图像配准中的应用能力进行了系统的评价.发现SIFT方法可以实现同轨获取的多时相斜距影像之间、斜距与地距影像之间、地距影像与经过地理编码的斜距影像之间的精确配准.为了利用SIFT实现整景遥感影像间的配准,提出了分块处理的方法.实验发现分块寻找特征点虽然可引起特征点总数的降低,但特征点的重复出现率仍大于76%,可满足大影像间配准的需要.同时也发现SIFT匹配过程过于耗时是阻碍其在遥感领域实际和用的技术瓶颈.本文指出了解决该瓶颈的技术方向,并对不变特征匹配法在遥感领域的应用进行了展望.

运用SI-Harris算子提取遥感图像点特征

推导了SI-Harris算子(尺度不变Harris算子)的理论公式,并将其应用于遥感图像的点特征提取。重点对Harris算子与SI-Harris算子在不同空间分辨率遥感图像上的点特征提取进行实验比较,利用"重复率"指标对实验结果进行定量评价。实验表明:SI-Harris算子"重复率"较Harris算子有明显提升,可用于不同空间分辨率遥感图像的点特征提取,进而可服务于不同空间分辨率遥感图像的匹配。

基于图像尺度空间的几何不变特征点提取算法

图像特征点的提取是实现抗几何攻击数字水印算法的重要步骤,所提取的特征点是否鲁棒,将直接影响抗几何攻击水印的鲁棒性.Harris-Laplace角点检测方法是一种多尺度抗几何攻击角点提取方法,但计算比较复杂.将Harris-Laplace角点检测方法进行改进,把直接分析图像局部灰度值的角点提取方法与图象尺度空间的思想相结合,并兼顾多尺度的不同权值,则既可以保证角点抵抗一般几何攻击的鲁棒性,又减少计算复杂度的,根据此思路提出了加权平均Harris-Laplace角点检测方法来提取特征点.实验结果表明,该算法提取的图像特征点不仅具有很好的抵抗图像裁剪、几何缩放能力,而且计算复杂度明显低于相同重复检测率的Harris-Laplace角点检测算法.

尺度不变特征点提取

结合传统的角点检测算法,提出一种基于高斯金字塔匹配的尺度不变特征点提取算法PBSI,首先建立高斯金字塔,在每层图像中检测Harris角点,根据高斯尺度理论自上而下找到它们在不同层的对应点,所有层上都有的匹配点就是最终的尺度不变特征点.实验结果表明本文算法具有计算简单、抗噪声能力强、稳定性好的优点.

改进Harris特征点的机器人定位算法

提出一种改进Harris特征点的机器人精确定位方法,通过改进特征点提取、匹配、跟踪策略,为运动估计提供更加可靠的输入,提高运动估计结果的准确性。具体实现策略是在图像高斯金字塔中改进Harris特征点提取策略,提高其对旋转和尺度变化的适应性,实现特征点的均匀分布且数量可控。然后利用惯导先验信息预测特征点跟踪的搜索区域,提高特征点跟踪的准确性和稳定性,提高搜索效率。最后采用四元数和最小二乘方法估计车体姿态信息。实验结果表明:算法可较好地实现惯导信息与视觉信息的融合,不仅改善了传统视觉定位算法中特征点特性影响定位精度的问题,且几乎不会受到惯导漂移引起定位精度下降的问题,可实现机器人精确定位。

一种快速多尺度特征点匹配算法

为了快速稳定地进行特征点的跟踪,提出了一种快速多尺度特征点的提取算法。该算法首先利用快速局部窗口极值搜索算法提取出不同尺度空间特征点的局部极值,减少了局部极值搜索的冗余性,然后再利用最近邻算法对特征点进行匹配。实验结果表明,该算法的计算速度快于SIFT算法和MOPS算法,稳定性强于传统的Harris算法,可以用于实时图像配准及目标跟踪。

图像块改进Harris角点检测的农田图像拼接

为了达到农田研究人员对于宽视野、高清晰度图像的要求,提出一种基于图像块改进Harris角点检测的农田图像拼接算法。为了降低图像拼接数据量,减少运算时间,提高拼接效率,将参考图像与待拼接图像分割成具有重叠区域的图像块,采用余弦相似度,寻找最优匹配图像块;采用Harris角点检测算法实现最优匹配图像块的特征点提取,通过计算两者之间的欧氏距离实现特征点粗匹配;采用随机采样一致算法(RANSAC)去除误匹配点,对实现精确匹配,并求解参考图像块与待配准图像块的投影变换矩阵;将投影变换矩阵应用于原始参考图像与待拼接图像,实现拼接。实验结果表明,该研究拼接结果的标准差、平均梯度和空间频率值都高于传统Harris算法;在算法性能中,平均误配率为39.56%和平均运行时间为2.46 s,都优于Harris算法,说明该研究拼接图像的质量较好且算法能够较好地实现农田图像的拼接。

基于Harris角点检测的改进算法

Harris角点检测算法是图像匹配中使用非常广泛的特征提取算法。针对目前图像处理过程中尺度不变特征点提取的算法实时性较差,算法计算量比较大的问题,在Harris角点检测算法的基础上提出一种简化的算法思想:邻近像素采用对比的方法,从理论上分析算法的性能,实验中保证算法性能的同时实时性得到了提高。

融合角点特征与颜色特征的Mean-Shift目标跟踪算法

针对Mean-Shift算法稳定性差、无法适应目标遮挡的特点,提出了一种融合角点特征与颜色特征的目标跟踪算法。该算法利用Harris角点的特征不变性克服了Mean-Shift算法鲁棒性差的缺点,同时利用Mean-Shift算法中核概率密度估计特性克服了目标与背景角点难以区分的缺点。通过视频序列对该算法的跟踪稳定性与抗遮挡性能进行测试,结果表明,新算法的跟踪稳定性与抗遮挡能力优于基于单一角点或颜色特征的Mean-Shift算法。

种结合小波变换的SIFT特征图像匹配算法

研究目标识别和图像匹配优化问题,针对小波变换能压缩图像信息及抑制高频噪声的优点,采用小波变换与尺度不变特征变换相结合的图像匹配方法,克服了传统SIFT算法计算复杂实时性不强的缺点。算法首先对基准及后续图像分别做小波分解得到包含大量信息的低频图像,利用SIFT提取特征点,通过优化的最优节点优先(BBF)算法及随机抽样一致性(RANSAC)算法完成两图特征点对的搜索及检验。实验表明,算法不仅减少了匹配计算量,大大提高匹配效率,同时对图像缩放,旋转,遮挡,亮度变化也有较强的适应能力。

基于多尺度下特征点的检测

提出了一种在不同尺度空间下特征点提取的方法。该方法通过构造图像设高斯金字塔和高斯差分金字塔,进行极值检测,然后在极值点中去除低对比度的点并消除边界点的响应,得到关键点,最后计算关键点的方位和模的大小,从而得到特征点。利用该方法把取得的特征点对图像旋转、亮度变化、尺度缩放等情况下保持不变,此外对视角变化、仿射变换、噪声也保持一定的稳定性。给出了实验参数,并且对实验结果进行分析。

尺度不变特征提取算法的实时实现

针对SIFT特征提取的硬件实现结构复杂、难以达到实时性的问题,提出一种改进的高斯金字塔构建方法,该方法从构建高斯金字塔的原始意义出发,大幅减少了所需的运算时间和存储单元。同时提出并验证了合适的SIFT参数配置,以及具体的硬件优化和并行实现方案,使整个系统可以在一片单独的FPGA芯片上实现。该系统读入串行像素数据流,输出关键点的特征描述符,并采用256×256的图像对其进行了仿真验证,结果表明完全达到了实时的效果。

结合角点特征与SIFT特征的加速图像匹配

利用关键点寻找不同图像之间的一致性是很多图像处理和计算机视觉应用中的一个关键步骤。由于图像中巨量的关键点,因此特征的快速匹配成为了一个瓶颈。文中提出了一种对特征点进行分类比较的方法来加速特征匹配。首先可将SIFT特征分为两类,极大值SIFT特征和极小值SIFT特征;其次是将SIFT特征和传统角点特征相结合提取特征点并按照角点特征进行分类。实验表明,这种方法在保持原有鲁棒性和精度的情况下,可以较大提高特征匹配速度。