基于尺度配准的航拍图像与卫星影像匹配方法

随着无人机航拍技术的普及,航拍图像在目标检测和跟踪的应用得到普遍研究,而航拍图像与卫星影像的匹配研究相对较少。由于成像机理和成像视角的不同,无人机航拍图像与卫星影像存在较大的尺度差异,现有的图像匹配方法难以实现航拍图像与卫星影像的有效匹配。为了解决这一问题,提出了一种实现具有大尺度差异的航拍图像与卫星影像匹配的方法。该方法通过卫星影像的经纬坐标信息和无人机航拍图像成像时刻的相机位姿信息,对无人机航拍图像进行方向和尺度的配准;然后利用航拍图像成像时刻的位置信息,对卫星影像进行粗匹配,得到包含航拍图像匹配区域在内的卫星影像子图;再利用神经网络提取配准后的航拍图像与卫星影像子图的卷积神经网络(convolutional neural networks,CNN)特征,并基于CNN特征实现航拍图像与卫星影像的精匹配。仿真实验结果表明,本文所提方法能够有效的实现大尺度差异的航拍图像与卫星影像匹配。通过将本文匹配方法与现有图像匹配算法匹配精度的对比分析,证明了本文匹配算法的有效性和优越性。

图像多尺度配准的小波域SIFT方法

当SIFT(Scale Invariant Feature Transformation)方法应用于局部场景发生变化的图像时,在特征匹配中会产生错误匹配,文章提出了图像多尺度配准的小波域SIFT方法。该方法利用低分辨上变换参数剔除了错误匹配,提高了正确匹配率。模拟实验结果表明该方法在外点数目和正确匹配率方面优于原SIFT方法。最后,通过与原方法的对比分析,验证了该方法应用于震前震后多光谱图像的可行性。

逆向工程中散乱点云变尺度配准算法研究

针对传统散乱点云配准算法收敛区间与配准精度之间的矛盾,提出一种变尺度点云配准算法。构造一种基于重合点计数点云配准测度函数;对测度函数的高斯平滑过程进行研究,并对尺度参数对测度函数性能的影响规律进行分析;根据测度函数在大尺度参数下平滑但存在极值偏移,在小尺度参数下全局极值位置精确但存在局部极值的特点,提出一种尺度参数可变的散乱点云配准算法;借鉴模拟退火算法的思想,通过对比选定Lundy退化策略作为算法的尺度衰减策略;采用曲率约束进行控制点筛选并利用快速高斯变换进行测度函数值的计算以提高算法效率;利用合成数据和实测数据进行对比试验,结果基于变尺度策略的散乱点云配准算法具有更加广泛的收敛区间和更高的配准精度。

基于有向包围盒的尺度点云配准算法

为了提高激光点云的配准精度和效率,解决两片点云之间存在尺度变换的配准问题,提出了一种基于有向包围盒的尺度点云配准算法。首先,分别生成两片点云的空间有向包围盒,利用两个包围盒对应边的比值计算尺度因子。然后,将目标点云包围盒进行尺度放缩,再利用包围盒对应顶点的关系计算旋转矩阵。同时,引入点云的单位向量和,以单位向量和之间余弦相似度最大为准则,选择正确的旋转矩阵。最后,为了实现精确配准,将尺度因子引入点到面迭代最近点(Iterative Closest Point, ICP)算法中,利用加权最小二乘法求解变换参数。实验结果表明,在点云之间存在数据缺失、噪声干扰和尺度变换的情况下,所提算法可以实现快速精确配准,且具备良好的稳健性。

基于小波多尺度图像配准的运动小目标检测

探讨了一种红外图像序列中独立运动小目标检测的新方法。通过一种鲁棒的小波多尺度图像配准过程消除主场或背景运动的影响。同时,利用改进的Fisher算法及小波变换对低频的图像进行分割,最终将目标从背景中分离出来,并对配准后分割的图像差分,获得目标运动轨迹。实验表明了该方法的有效性。

多尺度、多角度异源遥感影像配准方法研究

针对具有显著尺度和角度差异的异源遥感影像配准中存在的问题,引入具有角度不变性和同一尺度的空间辅助圆,克服角度和尺度偏差;选取对异源影像的光谱差异具有高鲁棒性的归一化互信息测度,基于空间辅助圆提取统计特征进行区域配准。该方法还将同名特征点的搜索范围限制在辅助圆内,在保证算法搜索效率的同时提高了配准的精度。选取具有较大尺度和角度偏差的异源遥感影像进行实验,通过与基于空间辅助面的配准方法相比较,证明基于空间辅助圆的归一化互信息配准方法对角度和光谱偏差具有较高的鲁棒性,配准模型的精度小于一个像素。

基于归一化梯度相位相关的大尺度图像快速配准算法

针对具有旋转、缩放、平移的大尺度变换图像的实时配准问题,提出基于归一化梯度相位相关的图像配准算法.该算法避免复杂的多层插值计算和迭代处理过程,利用归一化梯度相位相关法处理复数梯度图像,能在兼顾参数估计的鲁棒性和快速性的同时,扩大图像变换参数的估计范围.并通过一种参数可调整的窗函数有效抑制不同种类图像的边缘效应的影响.实验证明该算法的快速性和有效性.

基于共享联结三元组卷积神经网络的枪弹膛线痕迹快速匹配方法

针对传统通过激光检测提取膛线线形痕迹信号时枪弹痕迹检测精度不高且操作复杂的问题,提出了新型提取和处理方法。采用多尺度配准、弹性形状度量与卷积神经网络技术,基于多模式弹性驱动自适应控制方法,建立了试件末端位置和姿态参数分布模型,采用孤立森林算法检测信号进行异常处理,利用变尺度形态滤波算法去除非细小特征,引入平方速度函数优化弹性形状度量算法,完成曲线轮廓嵌入层映射;在膛线线形匹配部分,建立了适用于痕迹特征的优化参数共享联结三元组卷积神经网络模型,通过嵌入层相似度计算和最小化三重损失函数训练该网络至收敛;最后进行了不同方法的相似度匹配对比实验。结果表明,与传统的检测方法相比,新方法解决了传统枪弹痕迹检测中面临的精度与操作性问题,保证检测结果的稳定性,且成本大大降低。在膛线线形痕迹提取中采用多模式弹性驱动自适应控制方法和三元组卷积神经网络模型,可为枪弹痕迹检测提供一种新的可行方法和思路。