SUFT算法与改进的Harris算法相结合的图像匹配方法

本文提出了改进的Harris算法与SUFT算法相结合的图像匹配方法,用稳定的SUFT算法检测提取尺度空间极值点作为特征候选点,根据灰度的"相似度"的原则进行Harris特征提取,实验结果表明,使用改进后的算法进行遥感图像配准能有效去除误配点,使候选点数量更少,特征点更稳定,使得匹配的效率更高,准确性更高。

一种改进的Harris角点提取算法

针对Harris角点检测算法对T型和斜T型角点存在定位不准确以及运算速度慢的问题,提出了一种改进算法。改进算法计算目标像素点的8邻域范围内与之灰度相似的点的数目,然后对目标像素点周围其他像素点按同样方法处理,并对得到的计算数据进行比较,分析出局部范围内的像素点的灰度值分布。根据比较结果,从中遴选出部分像素点作为下一步角点检测的计算对象,并计算其角点响应函数值,如果角点响应函数值大于设定的阈值,该点则会被确定为最终的角点。实验结果表明:改进算法的角点检测时间仅为原算法的14.3%,并实现了对T、斜T型角点准确定位,提高了Harris角点检测算法的检测效率和精度。

基于改进Harris算法的高分辨率遥感影像建筑物角点检测研究

高分辨率影像具有空间分辨率高、光谱分辨率相对不足的特点,在多领域中具有广阔的应用前景。利用Google Earth高分辨率遥感影像作为数据源,对其红、绿、蓝通道图像,以及三通道取平均的全色通道图像进行建筑物角点检测,并根据建筑物在影像上具有几何角点的特点,对Harris算法的一阶梯度算子进行4种方向上的改进。对Google Earth的红、绿、蓝、全色4种图像进行试验,从4个检测方向上检测并累加,结果表明红色通道的图像检测效果较好。利用4种改进梯度算子进行累加的建筑物角点识别,识别正确率可到74.75%,识别效果较好。结果表明,该方法可以很好地实现高分辨率影像建筑物的角点检测,具有一定的理论研究和实际应用价值,可为建筑物自动识别提供技术参考。

基于改进Harris算法的图像角点检测

针对Harris角点检测算法运行速度慢且单一阈值选取不当容易造成漏检正确角点或提取出较多伪角点的问题,提出了一种快速预筛选方法以提高检测效率,并结合多阈值角点提取及邻近角点剔除策略来改进算法。实验结果表明:单独使用该预筛选方式的改进算法仅用32.71%的时间就可以检测出原算法94.97%的角点;配合多阈值角点检测方法及临近点剔除策略时,改进算法的运行时间仅为原算法的61.94%,且检测出的角点分布更均匀,既能充分代表图像信息又有效地避免了角点簇拥现象。

一种改进的Harris与SUSAN相结合的角点检测算法

通过研究Harris角点检测算法时发现,虽然该算法对棋盘角点有很好的检测能力,但对于一些立体物角点提取时,在物体边线上存在较多伪角点,同时也有抗噪能力差和运算速度慢的问题。针对以上情况,提出一种Harris邻域像素取差法与SUSAN相结合的改进算法。首先,运用邻域像素相似法,计算当前像素点8邻域内灰度值与其核点相似的像素点个数,初步得出候选角点集;然后结合SUSAN算法思想,进一步排除候选角点集内的伪角点。实验结果表明该方法能提高角点检测的准确度。

改进Harris-SIFT算法在双目立体视觉中的应用

针对双目立体视觉图像匹配的实时性问题,提出了一种改进Harris-SIFT算法,克服了原SIFT算法提取的特征点不是角点且耗时长等问题。该算法首先用改进Harris算子进行角点提取,然后用SIFT算子构建特征描述子,最后对提取的特征点采用欧氏距离度量点对的相似性,利用最近邻搜索策略进行特征匹配。在VC++6.0与Open CV平台上,通过实验比较了所提算法与SIFT算法的特征点提取匹配结果,证明了所提算法的有效性与实时性。

一种改进的Harris特征点检测算法

现有Harris特征点检测算法采用高斯滤波进行平滑,图像存在角点信息丢失与偏移的现象。为解决该问题,提出基于变分B样条滤波与快速局部窗口搜索相结合的Harris特征点检测算法,选择具有低通特性的B样条函数作为平滑函数构造滤波器,引入形态学滤波中的极大值滤波思想,利用快速局部窗口搜索算法进行特征点局部极值的提取,从而提高特征点提取的精度和速度。实验结果表明,改进算法具有特征点提取快速均匀、检测定位准确、抑噪性好的特点。

一种改进的Harris特征点匹配算法

针对Harris特征点匹配的精度低和效率不高的问题,提出了基于Harris特征点匹配的改进算法.首先对Harris特征点的提取方法进行了改进,减少了伪特征点的提取.然后利用改进的双向最大归一化相关系数匹配的方法提取初始特征点对,最后用改进的随机采样一致法来剔除伪特征点对,实现特征点对的精确匹配.实验结果表明,该算法不仅提高了特征点匹配的精度,而且极大地提高了特征点匹配的效率.

改进Harris-SIFT算法在水下图像匹配中的应用

针对尺度不变特征变换(SIFT)算法实时性差、错匹配多,以及Harris角点检测算法精度不高、速度偏慢的问题,提出了一种运用改进Harris-SIFT算法对水下拍摄的双目图像进行特征点提取与匹配的方法。利用改进的Harris算法对两幅图像进行角点检测,然后为特征点分配方向,并生成SIFT特征描述子,完成匹配。实验结果表明,该算法实时性强、匹配率高,并能较好地反映水下物体的形状特征。

基于改进Harris角点检测算法的遥感影像匹配研究

本文基于改进Harris角点检测算法,对遥感影像匹配采用优化的Harris算子方法进行了研究。根据高分辨率遥感影像特点,提出了一种新型的影像匹配方法,其中充分融合了SIFT描述符和Harris算法。结果显示,该影像匹配方法能够得到高分辨率遥感影像匹配效果,并且与传统方法相比其还具有旋转不变性特征。本文算法在提高匹配速度的同时,匹配精度只发生了较小的降低。相对于基于SIFT的匹配方法,本文匹配方法在特征点匹配上耗时较少,匹配精度比SIFT匹配方法提高了4.18个百分点。

一种改进的多尺度Harris算法

传统Harris算法依据经验确定兴趣值计算参数,并且对于一些类型的角点识别能力较差。针对这些问题,该文提出了一种基于局部标准差和对数计算的多尺度角点检测方法。该方法通过对数化梯度取降低边缘响应对候选点兴趣值的影响,有效地检测不同类型的角点。并重新定义兴趣值函数,由标准差的统计特性计算兴趣值,避免主观选择参数,使算法具有更高的客观性。实验结果表明,该方法具有检测复杂类型角点、精确定位,并具有旋转、灰度、噪声、尺度不变性。

基于改进Harris算法的汉字图像角点检测

根据汉字图像的特点,借鉴加速分割检测特征算法的思想,提出一种改进的Harris算法对汉字图像进行角点检测。首先,计算像素值初步判断出非角点并排除;然后,通过计算传统Harris算法中的角点响应函数对剩余的像素进行角点检测;最后,借鉴加速分割检测特征算法的思想对伪角点进行删除。最终检测出的角点是汉字笔画的起点和末端的角点,为下一步特征提取中确定线段的位置和计算线段的长度提供有利的技术基础。通过对一定数量的汉字图像的实验仿真,将本文方法与几种常用的角点检测方法进行比较,本文方法在检测正确率方面有所提高,但在运行时间上没有达到最短,综合考虑正确率和运行时间,本文方法较其他几种方法有所提高。

用于图像匹配的改进Harris特征点检测算法

原始Harris特征点检测算法采用高斯滤波进行平滑处理,增强了其鲁棒性,但是也提高了该算法的复杂度,导致其不能应用到许多图像匹配系统中,还存在对T型和斜T型特征点定位不准确的问题。为此,提出一种新的特征点检测算法。使用加速分割测试特征的特征点检测原理排除大量的非特征点,利用邻域像素比较法消除部分强干扰点,采用改进的高效非极大值抑制算法获得结果特征点。实验结果表明,该算法具有较好的匹配精度和较快的检测速度,检测时间仅为原始Harris算法的13.9%,适用于实时图像匹配系统。

麦克纳姆轮农业机器人路径跟踪——基于改进野马算法

针对麦克纳姆轮农业机器人在智能大棚中的路径跟踪问题,建立了运动学模型和动力学模型,设计了一种新型的双环比例微分-分数阶比例积分导数(Proportional Derivative-Fractional Order Proportional-Integral Derivative,PD-FOPID)控制器对全局路径进行动态跟踪控制。对于控制器参数多且整定困难的问题,首先采用帐篷映射初始化种群策略、精英主义记忆策略、动态余弦权重策略和柯西—高斯变异策略对原始野马算法进行改进,然后利用略改进野马算法(Improved Wild Horse Optimizer,IWHO)对控制器最优增益参数优化。实验结果表明:所开发的算法在探索和开发阶段方面性能优异,且PD-FOPID控制器在整定工作中表现突出。路径跟踪仿真证明,设计的双环PD-FOPID控制器比FOPID控制器更具显著的优势,能够避免动态误差累积,快速响应调整到规划路径,在提高农业大棚机器人路径跟踪控制质量方面具有巨大的潜力。

基于圆环模板的改进Harris角点检测算法

Harris算子是经典的角点检测算法,但却存在检测性能依赖高斯窗窗长和阈值的不足,本文对此做出改进。先设定较低阈值,检测出图像中的疑似角点。再构造一个新的圆环模板,通过内外两个圆环上的像素点评估中心像素邻域灰度变化,用构建的新模板遍历每一个疑似角点,滤除虚假角点,得到最终检测结果。本文算法计算内外两个圆环上像素的灰度变化,充分考虑了角点在局部区域灰度变化明显的特征,不涉及微分运算,所以具有较好的鲁棒性。通过一系列实验,新算法在实际应用中明显具备良好的检测性能。

基于Harris角点与改进Hu矩的电子稳像算法

为提高抖动视频电子稳像系统的稳像效果,提出一种基于Harris角点和改进Hu几何不变矩的电子稳像算法。该算法检测视频每帧图像的Harris角点为特征点,并计算其邻域图像改进的Hu矩作为对应特征向量,以仿射变换为模型,通过特征点匹配计算前后帧的相对运动参数,从而计算出图像序列的运动轨迹,加以相应的运动平滑补偿,得到保留镜头正常运动信息稳定的视频图像序列。实验结果表明,在视频图像帧间存在旋转、平移和轻微缩放的情况下,该算法能有效降低特征匹配的计算量,且保持良好的匹配效果。

基于改进Harris算法的全自动无缝图像拼接

基于传统的Harris算法,提出了一种改进的Harris算法用来进行角点检测。此算法通过改变原来的梯度算子,提高了算子的检测敏感度。采用一个新的角点响应函数,避免了人为设定参数。在图像拼接过程中,通过卷积神经网络(Convolution neural network,NCC)对图像进行配准,利用稳健的RANSAC算法剔除误匹配,最终图像融合。实验结果表明,该算法提高了图像拼接的准确性,减少了图像拼接所耗费的时间,提升了图像拼接效率,具有良好的实用性。

一种基于Harris特征点检测的改进算法

针对Harris角点检测算法存在对含有噪声的图像角点检测不准确的问题,为降低噪点对角点检测的干扰和提高角点检测的精准度,提出了一种改进算法,通过在Harris算法设置的局部移动窗口中加入一种加权系数自适应的加权均值滤波,其加权系数由像素灰度值决定。通过实验证明,该方法可有效减少伪角点的形成,同时具有良好精确度和检测速度。

S-Harris:一种改进的角点检测算法

Harris算法会对图像中的每个点都进行计算,并在邻域中对最优化的点进行选择,从而使得到的点特征分布非常均匀、合理,对于图像灰度变换、旋转、视角变换等都具有较强的稳定性。但是Harris算法在计算过程中没有涉及多阶导数计算。因此,对Harris算法存在的一些缺陷问题进行了改进,这些问题包括该算法在窗口滑动过程中容易受到噪声的影响,以及在进行角点响应的计算过程中容易产生相邻像素的重叠等。对于前者提出了自适应灰度差分思想来解决,对于后者引进了积分图像的理念,从而提高了其提取特征点的精确度。对改进的算法命名为S-Harris。

基于Harris角点检测的改进算法研究

经典的Harris算法在提取图像的角点上具有计算简单、适应性强等优势,但该方法由于人为设定单一阈值,容易出现伪角点、漏检点及运行速度不理想等现象。针对这一情况,文章在传统Harris算法基础上提出一种新的检测方法,采用多阈值的圆形非极大值抑制法提取角点,以此降低算法检测时间并增强图像旋转不变性,再借鉴SUSAN思想消去大部分伪角点。通过实验对比,该算法具有更好的角点检测性,为后期的图像配准奠定了良好的基础。