尺度不变特征转换算法在图像特征提取中的应用

针对尺度不变特征转换(SIFT)算法复杂度高、计算时间长,难以满足立体匹配的实时性要求以及当图像中存在多个相似区域时误匹配率较高的问题,提出了一种改进的立体匹配算法.该算法从两个方面对SIFT算法进行了改进:首先,由于圆形具有天然的旋转不变性,该算法以特征点为中心,采用近似大小的两个同心圆区域代替原算法的矩形区域,在内圆和外圆环区域内分别统计12个方向的梯度累加值,把局部特征描述符的维数从128维降低到24维,降低了算法复杂度;其次加入了12维的全局向量,使生成的特征描述符包含了基于局部信息的SIFT向量和基于全局信息的全局向量,提高了算法对图像中相似区域的分辨能力.仿真结果表明,改进后的算法实时性比原算法提高了59.5%,当图像存在多个相似区域时,误匹配率下降了9个百分点.所提算法在图像处理的实时性要求较高的场合下适用性较好.

改进的尺度不变特征转换精确图像匹配在电力设备目标定位中的应用

针对电力设备目标定位问题,研究了基于改进的尺度不变特征转换(scale invariant feature transform,SIFT)精确图像配准的定位方法。首先用改进的SIFT特征描述子提取图像中的特征点,降低了特征向量描述子的维数,大大提高了算法的速度;然后采用欧氏距离对特征点进行初始匹配,由于初始匹配过程中存在误匹配,采用改进的随机取样一致性(random sample consensus,RANSAC)算法对阈值进行自动调整,消除了错误匹配;最后,以电力系统中的刀闸、变压器为例,采用旋转、缩放、光照变化及加噪声图像验证了该算法。实验结果表明:改进后的算法不仅继承了SIFT算法的鲁棒性,而且提高了算法的速度和匹配精度,可以较好地应用于电力设备目标定位中。

尺度不变特征转换特征提取优化算法研究

针对尺度不变特征转换(SIFT)算法时间复杂度高的缺点,提出了SIFT特征提取优化算法。分析了SIFT特征提取算法各个计算步骤的时间复杂性。对SIFT特征提取过程进行了优化,包括耗时最多的高斯金字塔的创建和计算特征描述符过程。优化算法降低了特征点提取时间,减少了特征点的重复匹配,同时保证了匹配结果的准确性。最后,实验证明了优化后的算法能有效降低时间复杂度。

基于尺度不变特征转换与局部相位量化结合的人脸识别

提出尺度不变特征转换(scale invariant feature transform,SIFT)和局部相位量化(local phase quantization,LPQ)相结合的人脸图像识别算法.利用SIFT算法检测两幅人脸图像特征点,得到两幅图像的特征点集合;计算特征点邻域的LPQ特征,并将特征点邻域的集合表述为LPQ直方图序列,作为人脸图像的描述算法;采用特征点邻域距离比值进行匹配判定.实验表明在ORL标准人脸数据库上,该方法具有较高的识别率.

掌纹识别中的尺度不变特征转换改进算法

针对在低分辨率掌纹图像中,传统尺度不变特征转换算法易产生误匹配的问题,提出一种用于掌纹识别的改进尺度不变特征转换算法。根据局部匹配的思想,结合欧氏距离及加权子区域匹配方法对图像进行匹配,计算得出的相似度能反映图像的局部与全局特征。仿真实验结果证明,改进的尺度不变特征转换算法比原算法具有更高的识别率。

基于改进尺度不变特征转换算法的合成孔径雷达图像配准并行研究

提出了一种基于改进尺度不变特征转换(SIFT)算法的合成孔径雷达(SAR)图像配准方法。该方法采用多核平台对SIFT算法进行优化,克服了SIFT算法计算时间复杂度高的问题。针对SAR图像特点,首先对源图像进行空域增强处理,然后采用改进的SIFT算法完成特征点并行提取,并利用欧氏距离以及RANSAC算法完成特征点的匹配与消除误匹配,最终实现SAR图像配准。实验结果证明,该方法能在保证配准精度的同时降低配准的时间复杂度。

基于近似尺度不变特征转换的序列图像融合算法(英文)

在分析了尺度不变特征转换算法特点的基础上提出了一种近似尺度不变特征转换算法,该算法改变了传统尺度不变特征转换算法的框架,将尺度不变特征转换描述符看作是一种特殊的Harris算子,该算法既保留了尺度不变特征转换描述符的优点又降低了计算量.另外,为了提高特征匹配的精度,给出了一种新的特征点对提纯算法.实验结果表明,近似尺度不变特征转换算法在不影响匹配性能的前提下大大缩短了处理时间,经过提纯后的特征点对匹配性能显著提高,最终得到的全景图像过渡平稳,重叠区域没有显著的痕迹.

融合傅里叶描述子和尺度不变特征转换特征的商标检索

针对传统商标检索算法中全局特征容易造成误检,而局部特征SIFT对轮廓描述能力不强及算法复杂度高的问题,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。首先提取图像的傅里叶描述子进行初步检索,并按相似度排序,然后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特征较高的查全率和查准率,优于傅里叶描述子单一特征,而且检索速度比SIFT单一特征显著提高,能很好地应用于商标图像检索系统中。

采用改进的尺度不变特征转换及多视角模型对车型识别

针对车型识别过程中车辆的姿态复杂以及采集图像时尺度缩放和光照等因素导致识别出现困难的问题,提出采用改进尺度不变特征转换(SIFT)及多视角的车型识别算法。该算法对尺度不变特征提取方法进行改进,并获取车型特征;通过视觉聚类对车辆进行多视角建模;利用最佳节点优先搜索算法完成特征向量的近邻搜索,并根据匹配相似度完成车型识别。实验结果表明,该算法所给出的车型识别方法具有可行性和有效性,可以在不同的图像畸变条件下保持稳定性,最终的车型识别效率也都可达到90%,所用时间要低于SIFT方法,处理时间在原SIFT方法的基础上降低了20.58%。

基于全局特征和尺度不变特征转换特征融合的医学图像检索

特征提取是图像检索或图像配准的关键步骤,针对单一特征不能很好地表述图像的问题,根据医学图像的特点,提出了一种融合全局特征和局部特征的医学图像检索算法。首先在研究单一特征医学图像检索算法的基础上,提出了融合全局特征和相关反馈的检索算法;其次对尺度不变特征转换(SIFT)特征进行了优化,提出了改进的SIFT特征提取算法和匹配算法;最后,为了保证结果的准确性并改进检索效果,采用了融合局部特征的方法逐步求精。通过对标准临床数字式X射线成像(DR)图像数据库的实验研究表明,该算法应用在医学图像的检索中有较好的结果。

基于尺度不变Harris特征的准稠密匹配算法

准稠密匹配是多视图三维重建的重要技术,其性能对重建结果至关重要。针对常用的SIFT算法提取的种子点进行准稠密匹配正确率较低、重建效果不佳的问题,提出了一种基于尺度不变Harris角点特征的准稠密匹配算法。该算法在图像多尺度空间构造尺度不变Harris特征,并采用余弦距离测度对不同视图进行双向匹配。根据稀疏匹配获取种子点,采用最优最先匹配扩散策略进行准稠密扩散,采用局部非极大值抑制策略对匹配结果进行重采样。实验表明,算法提取的种子点既能够体现场景结构信息,又具有尺度不变特性,用于准稠密匹配,能够提高匹配的效果和精度,是一种有效的用于三维重建的准稠密匹配算法。

改进的尺度不变特征转换匹配算法

为解决尺度不变特征转换匹配算法运行时间过长、匹配率不高的问题,提出一种改进的尺度不变特征匹配算法。在原经典的尺度不变特征转换匹配算法的基础上,引入二维Mallat快速小波变换算法,重建图像的低频成分;对高斯金字塔组数进行调整,减少降采样次数;通过优化的随机抽样一致算法剔除误匹配点。MATLAB仿真结果表明,改进后的算法减少了匹配耗时,提高了匹配率,优于原算法。

基于尺度不变特征转换的暂态稳定边界特征提取

临界暂态稳定的边界问题是评价电力系统暂态稳定性的核心问题之一,准确刻画临界暂态稳定的边界特征对电力系统暂态稳定评估具有重要意义。当前在暂态稳定评估时,常常由于无法对电网临界状态给出准确判断,使安全评估存在模糊区域。为此该文采用尺度不变特征转换(scale invariant featuretransform,SIFT)算法对临界暂态稳定展开边界特征的提取挖掘。首先基于暂态稳定单机模型及能量函数,直观刻画系统的临界暂态稳定状态;并在分析了"源-网"特征的相关性后,选取最能表征电网稳定状态且相互之间存在较为紧密联系的"源-网"状态量作为算法输入特征;接着利用SIFT算法,对"源-网"各状态量进行特征匹配,通过构造的匹配评估指标,对匹配结果进行精准量化;最后基于IEEE-39节点系统及河南电网仿真算例验证了所提算法的有效性。研究结果表明,该方法能有效识别电网临界暂态稳定状态,支撑电网实现暂态稳定的精细化评估。

基于高辨识度尺度不变特征的人耳识别方法

提出一种基于对人耳图像仿射不变特征进行小波变换的人耳识别方法.首先,提取人耳图像SIFT(尺度不变特征转换)特征,然后对SIFT特征向量进行一维小波变换获得更具辨识度的特征,最后利用余弦距离进行特征点匹配进而完成识别.实验结果表明,与一些传统的方法相比,本文提出的方法表现出更好的性能.

基于尺度不变特征变换特征点应用于印刷检测的快速匹配算法

基于机器视觉的质量检测在印刷行业的应用日益重要,而图像匹配算法是其中的关键步骤。针对此问题提出一种应用于印刷行业的快速高精度匹配算法。首先利用尺度不变特征转换(SIFT)算法精确稳定地提取关键点,然后通过基于灰度相关系数的模板匹配算法在定位图像与模板图像的关键点之间找到匹配关系,并结合随机抽样一致(RANSAC)方法剔除错误匹配,从而使得整个快速匹配算法高效、稳定、准确。与SIFT算法比较,该算法不仅在时间上快很多,能够满足实时应用的要求,并且极少出现错误匹配。

一种基于稠密SIFT特征对齐的稀疏表达人脸识别算法

该文针对人脸图像受到非刚性变化的影响,如旋转、姿态以及表情变化等,提出一种基于稠密尺度不变特征转换(SIFT)特征对齐(Dense SIFT Feature Alignment,DSFA)的稀疏表达人脸识别算法。整个算法包含两个步骤:首先利用DSFA方法对齐训练和测试样本;然后设计一种改进的稀疏表达模型进行人脸识别。为加快DSFA步骤的执行速度,还设计了一种由粗到精的层次化对齐机制。实验结果表明:在ORL,AR和LFW 3个典型数据集上,该文方法都获得了最高的识别精度。该文方法比传统稀疏表达方法在识别精度上平均提高了4.3%,同时提高了大约6倍的识别效率。

多尺度特征提取的双目视觉匹配

提出一种基于多尺度特征提取的双目视觉匹配算法,旨在提高传统算法的实时性和鲁棒性。该算法通过设计出一种基于尺度因子变化的高斯核模板尺寸自适应调整以及双目视图的双向配准的办法,以改善特征点匹配效率和精度。实验证明,多尺度特征提取算法能够有效而快速地完成双目视图的特征点匹配。

SIFT与核局部不变映射结合的特征描述算法

为更好地实现图像跟踪,寻找更具鲁棒性和计算简便的特征描述子,提出了一种基于核局部不变映射的尺度不变特征转换(scale-invariant feature transform,SIFT)特征描述算法。该算法在继承SIFT算法良好性质的基础上,依据不同空间尺度下能量特征差异性,对尺度内的子图像层数进行细化,以提高稳定特征点的数量。此外,借助核方法的映射特性,解决了局部不变映射法丢失非线性高维特征的问题,形成一种基于核局部不变映射的非线性降维法,进而对特征描述子进行特征重划。实验结果表明,在图像尺度缩放、旋转、模糊、亮度变化等多种场景下,相较现有的主成分分析-SIFT算法,该描述子不但取得更多的稳定特征点,而且计算速度也得到大幅提升。

结合拓扑纹理图像局部不变特征的医学影像光流场配准

医学影像图像是一类拓扑纹理图像。在临床诊断和治疗中,常需要将不同模态的医学影像图像配准。为此提出一种结合拓扑纹理图像不变特征的医学影像光流场配准的方法。首先,以尺度不变特征变换(SIFT)描述子对待配准图像做局部特征描述,同时,以一致性提纯法对图像局部特征匹配对提纯;其次,以图像局部不变特征为参考,对图像进行基于光流场模型的弹性图像配准,同时,对配准模型予以单元分解,以避免图像局部拓扑纹理特征因被光滑而模糊配准的结果。仿真实验结果表明,新方法具有较好的医学影像图像配准效果。

基于Hough变换及SIFT特征提取的图像匹配方法

针对现有SIFT算法时间复杂度较高的问题,提出一种基于Hough变换及SIFT特征提取的图像匹配方法。首先,用Hough变换算法检测建筑物区域,以缩小检测与匹配的范围;然后,用SIFT算法在给定区域进行特征点检测与匹配;最后,提出一种两级排除错误匹配的方法,该算法对建筑物序列图像匹配具有光照强度、平移、旋转不变性。实验结果表明,该方法的匹配准确率至少高出比较方法9%。