融合边缘化外点处理的改进图像匹配方法

针对图像匹配中SURF(speed up robust features)算法匹配效率不佳,以及RANSAC算法迭代次数不稳定和人为设置内点离散阈值所带来误差的问题,提出了一种结合改进的边缘化采样一致性算法和改进SURF的图像匹配方法。首先对输入图像进行快速引导滤波预处理,过滤图像噪声并保留边缘细节信息。然后通过BEBLID(Boosted Efficient Binary Local Image Descriptor)算法为SURF构建高效的二值描述符,结合改进的边缘化采样一致性算法边缘化外点去除误匹配。经实验对比,该方法相较于SURF准确性更高,实时性有较大提升,可满足多数复杂环境下的图像匹配。

基于改进AKAZE算法的图像特征匹配方法

由于AKAZE算法中局部二进制描述符对图像尺度变化、模糊变化不敏感,导致特征点提取不均匀、特征匹配正确率低,提出一种改进AKAZE与边缘化采样一致方法(marginalizing sample consensus,MAGSAC)结合的特征匹配算法。该算法采用FREAK(fast retina keypoint)描述符描述特征点,对采样点计算梯度确定特征点主方向,使用MAGSAC方法剔除错误匹配点对。实验结果表明:在图像发生尺度与旋转变化时,改进算法的匹配精度比传统AKAZE算法高6.98%,尺度变化下特征点提取平均耗时较传统AKAZE算法减少0.084 ms,图像模糊变化时匹配精度比传统AKAZE算法高8.57%,特征点提取平均耗时较传统AKAZE算法减少0.05 ms。