一种用于图像分类的局部二值改进算法

针对LBP特征提取过程中聚类耗时、占用内存较大的问题,提出了一种用于图像分类的局部二值改进算法.该算法用二进制描述符替代LBP中的十进制表示、用汉明距离替代欧氏距离进行特征聚类,同时将不同尺度的LBP特征进行融合,实现了多尺度图像局部二值描述.将提出的改进算法,尤其是多尺度融合特征,在PASCAL VOC 2007数据库与经典LBP方法进行对比分析,实验结果表明,本算法正确率更高,运行效率也有很大提高.

融合边缘化外点处理的改进图像匹配方法

针对图像匹配中SURF(speed up robust features)算法匹配效率不佳,以及RANSAC算法迭代次数不稳定和人为设置内点离散阈值所带来误差的问题,提出了一种结合改进的边缘化采样一致性算法和改进SURF的图像匹配方法。首先对输入图像进行快速引导滤波预处理,过滤图像噪声并保留边缘细节信息。然后通过BEBLID(Boosted Efficient Binary Local Image Descriptor)算法为SURF构建高效的二值描述符,结合改进的边缘化采样一致性算法边缘化外点去除误匹配。经实验对比,该方法相较于SURF准确性更高,实时性有较大提升,可满足多数复杂环境下的图像匹配。