不同局部邻域划分加速鲁棒特征描述符的性能分析

研究了加速鲁棒特征(SURF)描述符的局部邻域划分方法,以降低该描述符的维数,提升基于SURF的图像匹配算法的匹配速度和鲁棒性。参考尺度不变特征变换(SIFT)描述符和SURF描述符已有的各种邻域划分方式,将SURF描述符的局部邻域分为栅格状(原SURF划分方式)、三角形和扇形进行分析。首先,分析了图像的尺度和旋转变化对这3种邻域划分方式描述符匹配性能的影响;然后,提出了构建三角形划分和扇形划分SURF描述符的方法;最后,进行了匹配实验,对8种不同划分方式的SURF描述符进行了比较。结果表明:扇形划分SURF描述符的性能要优于三角形划分和栅格划分SURF描述符,其中6扇区、8扇区、12扇区及三角形划分的SURF描述符的性能均比SURF描述符有一定程度的提升,描述符的维数与原SURF描述符(64维)相比分别低了40维、32维、16维和32维。

基于不变特征描述符实现星点匹配

为了能够在星图存在旋转角度情况下,自动快速地完成星图匹配,提出了一种基于不变特征描述符的旋转不变匹配方法,将加速鲁棒特征(SURF)描述符应用于星点特征的描述和匹配。首先,对星图进行图像分割,抑制非极大值,并检测星点;然后,为计算星点分布尺度因子s,在半径为6s的圆形邻域内为每个星点计算主方向,之后将20s×20s的邻域与主方向对准,并在该邻域内为每个星点计算SURF描述符。最后,基于透视投影模型的匹配策略,提纯星点,计算匹配星图之间的变换矩阵。实验结果显示,该方法能够鲁棒地提取星点,并在图像存在旋转、平移及部分视角变化的情况下完成星图匹配,仿真实验的匹配星点的误差均在1pixel以下,实拍星图实验的匹配星点的误差均在1.5pixel以下,表明为每个星点建立描述符,进行匹配识别的思路是可行的。

基于改进SURF特征点的图像匹配方法

针对SURF算法在图像匹配过程中存在运算时间长、匹配正确率低等问题,采用DAISY描述符与RANSAC算法优化加速鲁棒特征(SURF),提出一种基于改进SURF特征点的图像匹配方法。首先,利用DAISY描述符结构简单、复杂程度低、匹配精度较高等特点,在SURF算法特征点检测的基础上采用DAISY特征描述符替换SURF特征描述算子,并采用RANSAC算法删除误匹配点。实验表明,在图像模糊、角度旋转、光照变化、JPEG压缩比变化等多种复杂情况下,该算法相较于SURF算法具有更好的鲁棒性,能提高匹配对数,剔除误匹配点,减少算法运行时间,匹配正确率均高达95%以上。

基于小波域改进SURF的遥感图像配准算法

为了进一步加快遥感图像配准速度,同时使其配准精度有所提高,提出了一种基于小波域改进加速鲁棒特征(speeded up robust features,SURF)的遥感图像配准算法.首先采用小波变换将基准图像和待配准图像分别分解获得其低频和高频分量;然后对低频分量提出改进SURF以得到粗配准点对:采用主成分分析(principal component analysis,PCA)对描述子降维,依据双向配准准则实现特征点的粗配准;接着利用两次距离阈值不同的随机抽样一致(random sample consensus,RANSAC)算法分级筛选出精配准点对;最后运用最小二乘法拟合几何变换参数完成配准.实验结果表明,与尺度不变特征变换(scale invariant feature transform,SIFT)算法、SURF算法、多尺度配准小波域SURF算法、基于NSCT(non-subsampled contourlet transform)和SURF的算法相比,本文算法不仅配准速度大大加快,同时配准精度也得到提高.

基于非线性扩散与高维M-SURF描述符的双目视觉测量方法

针对传统图像匹配算法存在误匹配率高和双目视觉测量精度低的问题,本文提出一种基于非线性扩散与高维改进加速鲁棒特征(modified-speeded up robust features,M-SURF)描述符的双目视觉测量方法。首先改进非线性扩散模型中的PM(Perona-Malik)模型,使图像中边缘区域得以平滑而维持内部平坦区域不变,再将扩散后图像与原始图像进行差分运算,利用KAZE算法检测特征点;然后采用环形邻域构建描述符,在对Harr小波响应值进行叠加时,根据与其垂直方向响应值的正负号进行多区间划分,生成高维M-SURF描述符;最后采用Hamming距离匹配,利用随机采样一致性(random sample consensus,RANSAC)算法剔除误匹配并筛选出测量所需的匹配点对,根据平行双目视觉测量原理获取匹配点对的三维坐标即可完成测量。实验结果表明,本文提出算法的匹配正确率较传统KAZE算法提高24.09%,测量最小相对误差达到0.3756%,满足测量精度的要求。

基于SURF的改进FLANN匹配算法

在计算机辅助骨科手术系统中应用增强现实技术能帮助医生准确地定位患者的病灶部位,而视频图像的目标跟踪匹配是实现增强现实的关键技术。针对视频图像匹配中SURF(speed up robust features)特征点性能和匹配效率不足的问题,提出一种改进的基于SURF特征点的FLANN(fast library for approximate nearest neighbors)匹配算法。提取SURF关键特征点,改进其描述符算子,使用改进的FLANN算法进行特征点匹配。通过实验分析比较改进与未改进算法的性能,结果表明该方法的稳定性及快速性较好,具有较强的鲁棒性。

基于SURF和快速近似最近邻搜索的图像匹配算法

针对高维特征向量存在的最近邻匹配正确率低的问题,提出了一种基于SURF和快速近似最近邻搜索的图像匹配算法。首先用Fast-Hessian检测子进行特征点检测,并生成SURF特征描述向量;然后通过快速近似最近邻搜索算法得到初匹配点对,再对得出的单向匹配结果进行双向匹配;最后采用鲁棒性较好的PROSAC算法进一步剔除误匹配点对。实验证明了该算法不仅提高了SURF算法匹配的正确率,还保证了算法的实时性。