基于分级聚类与SURF特征约束的图像真伪决策算法

当前篡改图像识别算法在对组合篡改图像进行识别时,主要采用对像素或者块进行逐一匹配的方法来检测,导致识别精度不高、鲁棒性差等不足,为此提出改进的SURF耦合分级聚类的图像信息真伪决策算法。采用积分图像模型计算矩形区域像素强度的总和,通过计算Hessian矩阵提取特征点,构建圆形筛除器对SURF进行改进,对特征点数量进行整定,提高算法效率;引入最优节点优先方法 (best bin first method,BBF)对最近邻进行搜索,通过对特征点的特征描述符进行计算,完成特征点匹配;利用分级聚类方法,对特征点进行集群,创建层次树,完成图像的篡改检测。仿真结果表明,与当前图像篡改识别技术相比,所提算法具有更强的鲁棒性以及更高的检测精度。

一种基于点的快速图像配准算法

提出一种基于点的快速配准算法。该算法在特征点提取时采用加速分段测试特征算法,通过对比度纹理直方图对特征点进行描述。为加快算法的匹配速度,选用最优节点优先算法进行查找。同时为提高匹配算法的鲁棒性,利用随机抽样一致性算法去除误匹配点对。实验结果表明,与经典的SIFT算法和SURF算法相比,该算法在保持算法稳定性能的同时,可有效提高匹配速度。

基于特征的显微图像全自动拼接

为了解决高倍镜下显微镜视野减小,无法完全捕获目标的问题,需要设计快速高效的方法对一系列显微图像进行拼接.在照片全景图重建的研究基础上,提出了一种基于特征的全自动显微图像拼接算法.该算法利用尺度不变特征变换(SIFT)提取图像中的特征,将获得的全部特征构建全局kd-Tree,使用优化的最优节点优先(BBF)算法搜索潜在的匹配图像对.采用随机抽样一致性算法(RANSAC)对找到的匹配图像对进行检验.根据最小生成树(MST)算法获得图像序列的连通分量,得到图像对之间的变换矩阵并将图像映射到拼接平面.对一系列显微图像的实验结果表明,该方法对图像中的背景噪声和亮度差异都有较好的鲁棒性,对相互之间只有少量重叠区域的图像序列也能获得可靠和精确的结果.