基于AGAST-BRIEF的图像匹配融合算法

针对传统算法AGAST在图像处于复杂场景条件下进行图像检测时,造成图像匹配结果精度低和实时性差等问题,提出一种基于AGAST-BRIEF的图像匹配融合算法。首先,利用高斯滤波对图像进行预处理,实现去除图像噪声干扰,保留图像边缘信息的效果,通过AGAST与尺度空间理论相结合进行特征提取;然后,使用BRIEF描述子对图像中的关键点进行描述,提高特征匹配效率;最后,采用FLANN算法得到初次匹配对,使用GMS与改进的RANSAC算法对初次匹配结果进行二次筛选,得到图像特征精匹配。实验结果表明:所提算法相较于SIFT、AKAZE、KAZE算法匹配准确率提高,匹配运行时间最短,具有良好的鲁棒性。

图像匹配中KNN与RANSAC相结合的改进算法

文章提出一种将KNN与RANSAC相结合的改进算法。通过获取最近邻与次近邻值并根据双向匹配原则,设计匹配不相关性的衡量因子,对KNN算法进行了改进;对RANSAC算法的代价函数和抽样规则进行了改进;最后将两种算法相结合,实现了速度快、自适应强,匹配精确的匹配算法。实验数据表明,该算法鲁棒性较强,自适应性较高,匹配速度较快。

基于相位相关法改进的ORB图像匹配算法

为了提高图像平移后ORB特征点匹配的准确率,提出了一种基于相位相关法改进的ORB图像匹配算法。该算法首先采用相位相关法求取左右两幅图像间的像素偏移量,以确定图像的重合部分;其次,提取图像FAST特征点并计算BRIEF描述子;接着,对要匹配的点增加窗口约束,以缩小匹配范围;然后,采用快速近似最近邻(FLANN)特征点匹配算法完成图像重合部分特征点的匹配;最后,将匹配错误的特征点采用随机采样一致性(RANSAC)算法进行删除。经实验验证,该算法将ORB特征点匹配的精确度有效的地89.7%提升至93.1%。

自动图像拼接中的一种特征提取和匹配方法

在比较目前特征提取和匹配的几种方法的基础上,提出了一种基于改进特征提取和匹配的拼接方法,使得图像拼接的质量和速度得到提高.该算法首先利用改进的尺度不变特征变换(scale invariant feature transform,SIFT)特征提取方法获得图像特征点,其次利用近似最近邻匹配进行特征匹配并引入随机抽样一致性(random sampleconsensus,RANSAC)算法去除误匹配对,最后根据匹配的特征点对得到的图像间的变换参数进行拼接和融合.该算法具有很强的鲁棒性,允许图像有缩放变换、旋转变换,不受图像噪声、色差的影响.实验证明,该方法可实现高质量快速的图像拼接.

一种改进的基于SURF的视频帧间匹配方法

针对视频连续帧间匹配不准确、错误率高、匹配速度慢的问题,提出了一种改进的基于SURF(Speeded Up Robust Feature)特征点的匹配方法。按照SURF算法进行特征点检测和描述;对视频连续帧利用改进的最近邻与次近邻的比的方法进行双向匹配,在匹配时仅在以相应位置为中心的邻域内寻找最近邻点和次近邻点,根据最近距离与次近距离的比值与预先设定阈值的比较结果确定是否接受这一匹配点对;用RANSAC(Random Sample Consensus)方法建立变换矩阵模型剔除错误匹配点,得到精确匹配的特征点对,完成匹配过程。在经典的视频数据集上进行实验,实验结果表明该方法不仅提高了视频连续帧间匹配的正确率,同时使匹配时间相对缩短了一半左右,显著提高了匹配效率,证明了算法的有效性。

HOG-FLANN在图像匹配ORB算法中的应用

针对ORB算法在图像匹配中特征点的提取会存在一些不稳定边缘点,为了提高ORB特征点匹配的准确性,提出了使用方向梯度直方图(HOG)描述符与快速最近邻逼近搜索函数库(FLANN)相结合的匹配算法。本算法通过移动的HOG窗口对图像中的局部窗口进行初步匹配,然后在HOG窗口的约束下通过使用FLANN对ORB特征点进行图像预匹配,最后采用随机采样一致性(RANSAC)对错误的匹配点进行剔除实现图像的精确匹配。经实验测得本文算法的预匹配准确率由原来的89%提高到了94%,实验结果表明采用HOG窗口与FLANN相结合的匹配算法可以有效的提高ORB特征点预匹配的准确率,并具有较好的稳定性。

中值滤波在噪声图像匹配中的应用

在图像匹配中噪声是影响图像匹配准确性的关键因素之一,为了提高图像匹配的准确率,本文提出了中值滤波与SIFT算法相结合的图像匹配算法。使用中值滤波对含有噪声的图像进行预处理,然后采用SIFT算法对图像中的特征点进行检测并获取特征点的描述符。在图像匹配中采用快速最近邻逼近搜索函数库(FLANN)算法快速完成图像特征点的匹配,最终采用随机采样一致性(RANSAC)完成对错误匹配的剔除实现图像的精确匹配。

基于CUDA加速的图像配准算法

针对传统图像拼接算法速度较慢,难以满足获取大分辨率全景图像的实时性要求,本文提出一种基于CUDA的快速鲁棒特征(speeded-up-robust features,SURF)图像配准算法,从GPU线程执行模型、编程模型和内存模型等方面,对传统SURF算法特征点的检测和描述进行CUDA并行优化;基于FLANN和RANSAC算法,采用双向匹配策略进行特征匹配,提高配准精度.结果表明,相对串行算法,本文并行算法对不同分辨率的图像均可实现10倍以上的加速比,而且配准精度较传统配准算法提高17%,精度最优可高达96%.基于CUDA加速的SURF算法可广泛应用于安防监控领域,实现全景图像的实时配准.

鲁棒KAZE算法的SAR图像配准

针对传统的SIFT算法及其改进算法在多波段SAR图像匹配性能低下,对非线性扩散滤波的KAZE特征检测算法分别从构建尺度空间和特征点检测两个方面进行改进,来提高多波段SAR图像匹配性能。尺度空间构建方面:提出采用高斯引导滤波取代KAZE算法中的非线性扩散滤波,充分利用高斯引导滤波的算法实时性、尺度不变性和良好的边缘保持性来克服非线性扩散滤波构建尺度空间的算法耗时较高的问题。特征点检测方面:提出采用引入指数加权均值比例算子(ROEWA)结合多尺度Harris角点检测的改进方法,充分利用ROEWA算子抑制相干斑噪声和多尺度Harris算子计算简单、旋转、尺度不变等优点,克服了传统的梯度差分方法检测SAR图像特征点时在SAR图像强散射纹理区造成大量错误率。描述符构建阶段,在梯度比例图像上采用原始的KAZE算法相同原理构建MSURF描述符。最后通过最近邻匹配和一致性倒数(RANSAC)进行错误匹配剔除。实验结果表明本文提出的改进KAZE算法应用于SAR图像配准优于原始KAZE特征算法。

基于优化采样的RANSAC图像匹配算法

视觉定位系统中,图像匹配的精度直接影响整个定位系统的精度,针对图像匹配中存在的误匹配率较高等问题,提出了一种基于多层次FAST(MFAST)和优化采样的随机采样一致性(RANSAC)算法的图像匹配算法。首先采用MFAST算法提取角点,运用加速稳健特征算法确定主方向生成特征描述符;然后在基于RANSAC的框架下,利用改进的加权K-最近邻分类方法选取新的样本集合计算出最佳模型参数,从而剔除误匹配点。在真实场景下进行实验,结果表明,与传统算法相比,该算法能高效剔除误匹配点,提高图像的匹配精度,且满足实时性要求。

电力设备异源点云层次化配准方法

在3维空间内对电力设备进行状态评估与故障诊断已成为当前电网重点发展方向,异源点云配准技术是其关键环节。针对当前电力设备异源点云配准存在尺度差异大以及离群点多的问题,提出了由粗至精的异源点层次化云配准方法。首先利用提出的连线比例不变性尺度估计方法精确估计点云间的尺度差异,将异源点云恢复到相近尺度,级联随机采样一致性(random sampling consensus,RANSAC)方法得到粗配准点云,进而使用提出的最近邻点集采样一致性与自适应鲁棒匹配方法对异源点云进行精配准,最终得到异源点云间的精确变换矩阵。实验结果表明,该文提出的异源点云配层次化方法在测试所用电力设备异源点云数据集上,点云配准前后尺度估计误差分别为0.198和0.0092,配准后旋转、平移误差分别为1.95°和0.009m,均低于当前广泛研究的SAC-IA+ICP配准框架和TEASER方法。

基于改进VFC算法的无人机影像匹配方法

为提高无人机影像匹配的准确性,利用K最近邻算法剔除误匹配的特征点,采用K最近邻算法对VFC算法进行改进,研究了一种基于改进VFC算法的无人机影像匹配方法。采用实际图像进行仿真分析,并与其他无人机匹配方法进行对比。结果表明,改进VFC算法能够将所有误匹配点剔除,图像匹配正确率更高,明显高于RANSAC算法和VFC算法,验证了论文所提无人机影像匹配方法的有效性和实用性。