基于旋转不变特征的SIFT描述子在图像配准中的应用

针对尺度不变特征变换(SIFT)算法中描述子维度高造成配准过程中计算量过大的问题,提出了一种改进的SIFT算法。该算法利用圆形的旋转不变性,以特征点为中心,在近似大小的圆形特征点邻域内构造特征描述子,以每个圆环作为一个子环,每个子环内只有像素位置发生了改变,像素之间其他相对信息是保持不变的。当图像发生旋转时,统计每个圆环内元素的梯度累加值进行排序,生成特征向量描述子,降低了算法的维度及复杂度,把特征描述子的维数从128维降低到48维。实验结果表明,改进算法旋转配准重复率在85%以上;在图像旋转、缩放和光照变化情况下,与SIFT算法相比,平均配准准确率提高5%,平均配准耗时降低30%左右,有效实现了对SIFT的改进。

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。

基于空间变换迭代的SIFT特征图像匹配算法

SIFT(Scale Invariant Feature Transform)特征由于具有旋转、平移和尺度不变性在图像匹配中得到了广泛的应用。但直接运用SIFT特征进行匹配,存在两个问题:易受匹配参数的影响,出现较多的错漏匹配现象;只适用于相似变换情况下的图像匹配,对于高维的仿射变换情况则难以奏效,而在实际图像匹配中这种情况更为常见。针对以上问题,提出了一种空间变换迭代的SIFT特征图像匹配方法。把SIFT特征点集匹配转化为SIFT特征向量与点集的几何分布信息相关的函数最优化求解问题,通过在确定性退火框架下,迭代求解空间仿射变换与点集匹配对应关系,最终得到最优的SIFT特征点匹配关系。仿真实验表明:在较大仿射变换情况下该方法仍能实现图像SIFT特征点集的正确匹配。

基于区域分块与尺度不变特征变换的图像拼接算法

针对图像匹配算法计算量大,实时性差的问题,提出了一种基于区域分块与尺度不变特征变换(SIFT)相结合的图像拼接算法。该算法利用图像能量的归一化互相关系数快速分割出匹配图像与待匹配图像间的相似区域,利用SIFT算法在重叠区域中搜索出能用于匹配的图像特征点并实现快速精确配准。然后,通过对图像进行了几何校正和图像融合来实现图像序列间的无缝拼接。实验结果表明,该算法减少了传统SIFT算法的大量无用搜索,改善了图像的几何失真,降低了算法复杂度,提高了图像匹配的速度,在保证90%以上的匹配准确率的基础上,计算时间较传统SIFT算法减少了近50%。提出的算法可准确、快速地实现有形变和尺度变换图像的无缝拼接。

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。

一种基于SIFT的仿射不变特征提取新方法

图像局部特征提取是图像理解及机器视觉领域一个非常关键的问题,其中SIFT特征因具有良好的显著性和鲁棒性而得到广泛应用。但是,SIFT采用DOG检测子,定位的特征区域为各向同尺度变化的圆形区域,故其只具有尺度不变性,并不具备仿射不变性。此外,SIFT采用128维特征向量表示,当在图像特征点较多情况下进行匹配实验时,存在存储空间大、匹配耗时多等缺点。针对这两个问题,本文提出一种新的仿射不变特征提取方法,即HA-DR-SIFT(Hessian Affine-DimensionalityReduction-SIFT)。首先,用Hessian-Affine检测子代替DOG检测子,使提取的椭圆图像区域满足仿射不变性需求;其次,用PCA或NLPCA方法对128维特征向量进行降维处理,提高后续运算效率。实验表明,新方法不仅具有良好的仿射不变性,而且在匹配时间和存储空间上优于SIFT算子。

基于Gabor小波变换的医学图像纹理特征分类

Gabor小波变换技术对医学CT图像进行纹理特征分类时,由于图像拍摄角度的变化会造成分类的误差。针对以上问题,在Gabor小波变换的基础上提出一种用于分析旋转不变医学图像的方法。该方法采用旋转规范化,即特征元素的循环移位使规范化后所有的图像都具有相同的主方向。实验结果表明,加入旋转规范化循环算子的Gabor小波变换在医学CT图像纹理特征分类时能够达到较好的精确度。

融合HU不变矩和SIFT特征的商标检索

利用商标图像的形状特征,提出了一种融合图像全局特征和局部特征的商标检索算法。其中全局特征反应了图像的整体信息,这些信息可用来较快地建立候选图像库,而局部特征则可以更准确地与候选图像进行匹配。提取图像的HU不变矩进行初步检索,按相似度排序,在此结果集的基础上对候选图像通过提取SIFT特征进行精确匹配。实验结果表明,该方法既保持了SIFT特征的良好描述能力,又减少了精确匹配需要的计算次数,降低了复杂度。

视觉单词优化仿射尺度不变特征变换的视频人脸识别

针对视频人脸识别中由于光照、表情、姿态等变化而影响识别性能的问题,提出一种基于视觉单词优化仿射尺度不变特征变换的视频人脸识别算法。首先从兴趣点提取仿射尺度不变特征变换的图像描述符,将其作为人脸图像表示法;然后,由高斯差分检测,使用视觉单词的索引取代这些描述符;最后,计算视觉单词之间的巴氏距离,并利用最大相似性原则完成识别。在两大通用视频人脸数据库Honda及Mo Bo上的实验验证了该算法的有效性。实验结果表明,相比其他几种较为先进的视频人脸识别算法,该算法明显提高了识别率,并且大大降低了计算复杂度,有望应用于实时视频人脸识别系统。

基于平稳小波变换和亮度序的局部特征描述子

局部区域的非线性亮度变化通常会造成局部特征描述子的不稳定。针对该问题,在平稳小波变换和亮度序的基础上,提出一种局部特征描述子。利用Hessian-Affine算子检测仿射协变区域,对检测区域进行平稳小波变换分解,将不同尺度的多个低频子带作为支持区域,多支持区域的使用可以有效地降低图像扭曲带来的不利影响。采用亮度序对支持区域进行区域划分,确保所构造描述子对单调亮度变化具有不变性,并在局部旋转不变坐标系下计算局部特征描述子。实验结果表明,该描述子在视角、线性亮度和JPEG压缩等变化下具有较好的鲁棒性。

一种抗视角变换的改进SIFT景象匹配算法

针对光电成像制导过程中,电视导引头实时获取的前视图像与预存的目标区域基准图像之间存在较大视角差异时,SIFT(Scale Invariant Feature Transform)算法得到的正确匹配点对数较少导致匹配失败的情况,提出一种改进的SIFT景象匹配算法。该算法通过在高斯尺度空间中提取抗仿射变换区域,并进行区域归一化处理来获得抗视角变换特征点集的方法,使正确匹配点对明显增加。实验结果表明,该算法对视角变换具有很好的鲁棒性:在视角差高达50°至60°以上时得到的匹配准确率较SIFT算法提高近5倍,具备工程实用价值。

基于角度径向变换的旋转不变纹理分类

纹理分类广泛的应用于医学图像分析等领域,纹理图像的采集因拍摄角度的变化产生一定的旋转,本文提出一种基于角度径向变换的旋转不变纹理分类方法。首先采用角度径向变换方法对图像进行特征提取,分别得到图像的角向特征向量和径向特征向量;然后将提取出的2组特征向量结合起来作为图像的整体特征向量,利用K近邻特征空间距离的分类方法进行纹理分类。选取Brodatz纹理库中的图像进行纹理分类测试,实验结果表明,该算法具有较好的旋转不变纹理分类效果。

基于特征点和SAR-SIFT算法的林权测绘地形图像几何配准

目前常规的测绘地形图像几何配准主要通过对单应性矩阵进行求解,从而实现图像配准,由于对待配准图像的灰度化处理程度较低,导致配准精度较差。对此,本文研究基于特征点和合成孔径雷达(SAR)-尺度不变特征变换(SIFT)算法的林权测绘地形图像几何配准方法。首先对SAR图像成像机理进行分析,在此基础上采用滤波算法对图像进行处理,并采用加权平均法对红、绿、蓝三原色(RGB)通道分量进行灰度化处理。然后结合SAR-SIFT算法,构建多层次的尺度空间,并结合海森矩阵对像素梯度值进行计算,生成特征描述子。最后通过对特征描述子的相似度进行计算,结合匹配阈值,实现图像特征点的匹配。实验结果表明:采用基于特征点和SAR-SIFT算法的林权测绘地形图像几何配准方法对图像进行几何配准时,算法的均方根误差值较小,具备较为理想的几何配准精度。

基于GPU的变型SIFT算子实时图像配准

针对SIFT变型算法描述向量维数过高实、时性差的问题,分别在建立高斯尺度金字塔、关键点的亚像素定位等方面进行改进与并行化。利用CUDA设备构架在GPU硬件上实现多线程,一方面避免了PCA方法造成的关键点信息流失,另一方面使得配准速度达到了工程中的实时性要求。在VS2005平台上通过C语言实现混合CUDA编程,结果表明该方法使得配准速度和点对匹配正确率都有较大提升。

SIFT特征匹配技术在自动相对定向中的应用

提出了一种利用尺度不变特征变换(SIFT:Scale invariant Feature Transform)特征匹配技术应用于遥感影像自动相对定向的方法,SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化均保持不变,对视角变换、仿射变换、噪声均有一定程度的稳定性。文中给出了较为详细的理论分析和实验分析,结合小波变换建立影像金字塔采用分频道相关提高影像匹配的速度,利用最小二乘匹配方法提高了匹配的精度,取得了较好的实验结果。

基于向量夹角的SIFT特征点匹配算法

提出一种基于向量夹角的近似最近邻搜索算法.该算法首先计算高维空间向量与随机选择的参考向量的夹角,并进行排序.计算出待查询向量与参考向量的夹角后,采用二分搜索算法在已排序夹角中查找对应的夹角,并以此夹角为中心,在一定范围内搜索给定向量的近似最近邻.实验结果表明,文中算法可显著提高尺度不变特征变换特征的匹配速度,并能获得满意的匹配效果.

基于快速SIFT特征提取的模板匹配算法

针对尺度不变特征变换(SIFT)算法计算量大的问题,提出一种基于快速SIFT特征提取的模板匹配算法。采用递推方法加速计算每个种子向量,利用向量排序来保持算法对旋转的不变性,并通过一种适用于该描述符的快速搜索匹配方法,提高算法的实时性。实验结果表明,该算法能提高匹配速度,并且能在旋转、缩放的情况下有效地识别目标。

面向CPU＋GPU异构计算的SIFT特征匹配并行算法

依据图形处理器(GPU)计算特点和任务划分的特点,提出主从模型的CPU+GPU异构计算的处理模式.通过分析和定义问题中的并行化数据结构,描述计算任务到统一计算设备架构(CUDA)的映射机制,把问题或算法划分成多个子任务,并对划分的子任务给出合理的调度算法.结果表明,在GeForce GTX 285上实现的尺度不变特征变换(SIFT)并行算法相比CPU上的串行算法速度提升了近30倍.

基于多尺度SIFT特征的SAR目标检测

提出一种用于SAR图像目标检测的多尺度SIFT特征提取及降维方法。针对在单一尺度下无法完整描述SAR目标的问题,采用高斯尺度空间和多组种子点的方式实现多尺度SIFT特征描述,并对同一尺度和不同尺度间的描述冗余和结构冗余分别采取稀疏编码和特征统计的降维方式实现去冗余处理。在多尺度因子和尺度层数的选择上,通过定量计算选取最优描述参数,使得代表目标特征的向量既包括目标整体轮廓信息又包含图像细节描述。与传统双参数恒虚警率、单尺度SIFT特征、多尺度SIFT-PCA等方法进行对比测试,验证了该方法的有效性。

基于SIFT特征匹配的车牌识别方法

针对智能交通系统中基于视觉的车牌识别中存在的依赖于光学字符识别以及在复杂环境下准确率低的问题,提出了基于SIFT特征匹配的车牌识别方法。通过基于插值的超分辨率图像重建方法对车牌图像进行预处理,基于轮廓特征对车牌进行定位,通过SIFT特征匹配的方式,利用模板库中的车牌字符模板对车牌进行定位验证以及字符识别。实验结果表明该方法能有效提高车牌识别的效率。