RBFD:一种鲁棒的图像局部二值特征描述子

针对传统浮点型特征描述子占用空间大、匹配速度慢的问题,提出一种基于梯度统计信息比较的局部二值特征描述子.通过对比特征点邻域梯度统计信息生成二值特征描述子,再利用多邻域和多分块策略提高描述子判别力,最后通过近似简化的Ada Boost算法实现描述子降维.实验结果表明,与已有描述子相比,文中提出的描述子在实现快速生成的同时其鲁棒性更强.

一种快速准确的图像配准算法

通过对图像配准目标函数的分析,提出了一种结合相似性和空间序列特征的配准算法.图像配准的目标函数包含两个最优解,一个是最大数量的有效特征点,一个是最高精度的图像变换矩阵,这两个部分可以使用不同的特征点匹配矩阵来求解.其中,使用基于相似性的中心对称局部二值模式描述子获得变换矩阵,使用基于空间序列特征的统计偏转角度序列描述子获取有效特征点.后者是一种融合了局部结构特征和全局统计特性的描述子,具有结构简单、描述准确的优点.实验结果表明,将两种描述方法相结合进行图像配准,具有配准精度高和运算时间短的优点.

基于梯度方向二进制模式的空间金字塔模型方法

空间金字塔模型由于其优势在当前图像分类中得到了广泛应用。然而,其码本生成和特征量化这两个环节具有较高的计算复杂度。为了解决这个问题,提出了一种新的局部特征表述———梯度方向二进制模式,首先对图像稠密采样得到多个子图像块,再将每个子图像块均匀划分为2×2个网格,计算每个网格的梯度直方图,然后对所有网格的梯度主方向进行二进制编码并连接为二进制串值,该二进制串值转换的十进制数即为子图像块的特征表述,最后将该特征表述嵌入到SPM模型中。在标准分类数据库上的实验结果证明了本方法在算法耗时和分类精度上均优于基于SIFT的SPM方法。

一种用于图像分类的局部二值改进算法

针对LBP特征提取过程中聚类耗时、占用内存较大的问题,提出了一种用于图像分类的局部二值改进算法.该算法用二进制描述符替代LBP中的十进制表示、用汉明距离替代欧氏距离进行特征聚类,同时将不同尺度的LBP特征进行融合,实现了多尺度图像局部二值描述.将提出的改进算法,尤其是多尺度融合特征,在PASCAL VOC 2007数据库与经典LBP方法进行对比分析,实验结果表明,本算法正确率更高,运行效率也有很大提高.

具有抗仿射性的局部特征点匹配方法

针对现有局部特征匹配算法对具有仿射性的图像匹配效果欠佳、耗时较长,以及随机采样一致性(RANSAC)算法对仿射性图像匹配得不到较好的参数模型等问题,提出一种具有抗仿射性的A-AKAZE(Affine Accelerated KAZE)算法,并用向量场一致性来筛选内点。首先利用非线性函数构建尺度空间,然后借助Hessian矩阵检测特征点,并以特征点为中心选取合适的区域作为特征采样窗口;再把特征采样窗口在经纬度上进行投影以模拟不同角度对图像的影响,随后在投影区域中提取具有抗仿射性的A-MLDB(Affine Modified-Local Difference Binary)描述符;最后利用向量场一致性算法提取内点。实验结果表明:A-AKAZE算法的正确匹配率相较于AKAZE算法提高了20%以上,与AKAZE+RANSAC算法相较提升了15%左右,与ASIFT(Affine Scale-Invariant Feature Transform)算法相比提高了10%左右,相比ASIFT+RANSAC算法提高了5%;而且该算法的匹配速度远高于AKAZE+RANSAC、ASIFT和ASIFT+RANSAC算法。

基于局部Fisher判别法的电镜下致密沉积物自动识别（英文）

本文提出一种在电子显微镜图像中有效检测致密沉积物的方法。致密沉积物在电子显微镜图像中较难分辨,使用传统的SIFT,ORB或者SURF特征检测及描述算法往往难以达到理想的效果。运用传统计算机视觉处理流程,如,SIFT特征提取器以及描述器来进行特征提取,再建立bag-of-words全局特征向量,最后使用支持向量机来进行分类,在进行致密沉积物的分类操作中难度比较大。本文选择了实用LBP特征提取器来提取高反差度的纹理特征,使用梯度直方图特征提取器来提取轮廓特征,同时使用Schimid滤波器组和Gabor滤波器组来提取图像中的常规纹理特征,形成超高维度的特征向量使其包含显微镜图像中的全面特征。由于电子显微镜图像不具备色彩信息,纹理信息变得最为重要,又由于在显微镜图像中,尺度基本可知,LBP以及HOG能非常有效地提取高反差轮廓特征以及质地特征。配合两大纹理滤波器组合将可以确保特征向量在强调高反差特征的同时,不会忽略常规纹理信息。在特征提取出来后使用局部Fisher判别分析来降低特征向量的维度,并选择最具有可区分性和有效的特征。LFDA能够进行无指导的降维,并保留最具可分辨性的特征,对于本文提出的算法至关重要。由于在之前产生的特征向量对所有的特征并不进行强弱区分,经过LFDA后,不重要或者具有广泛普遍性的特征将会被舍弃,而最能够代表致密沉积物的特征将得以保留。这保证了之后的分类器训练能够在不牺牲训练速度的前提下,有效地形成分类区间。最后,算法使用了probabilistic boosting tree来对训练样本进行训练,PBT是按照等级划分的决策树,每一个节点是一个强决策器,它具有不易过度训练、高效准确的特征,通过输入LFDA处理后的训练样本特征向量,来学习得到致密沉积物的分类器。为验证本文提出的方法的可行性,一个包含50张电子显微镜图像的数据库被用于实验中。在这50张电子显微镜图像中,每一张都包含不同数量的沉积物区域。沉积物区域的总数约为500处。这些区域被精确标记。如果算法输出的沉积物标记与人工标记区域的重合率达到50%以上,认为该区域被准确识别,否则认为未能识别。在实验中,10张电子显微镜图像被用于神经网络的训练,而其余40张被用于测试。训练样本为100×100分辨率的图像块,只要图像块中包含沉积物区域,则视为正样本,否则视为负样本。为了增加样本个数,所有正样本被进行了旋转、平移、以及放大和缩小等变换。在训练中,一共500个正样本及约15 000个负样本被输入到PBT。实验结果显示,本文提出的方法能够有效地在真实电子显微镜图像中识别致密沉积物,识别效率接近50%。该结果证明利用LBP特征以及Schimid滤波器组和Gabor滤波器组来提取显微镜图像特征能够全面概括图像中个体的显著性特征,比起单纯使用SIFT以及SURF具有更高的通用性、鲁棒性以及有效性。对于从显微镜图像中提取出来的高维度特征向量,使用局部Fisher判别分析法能够非常有效地实施降维操作,从而保留了显著性的具有区分功能的特征以便更有效的训练分类器。而probabilistic boosting tree对于只具有少量训练样本的训练任务能够相当有效地收敛且避免过度拟合的情况发生。本文提出的处理流程适用于大多数基于显微镜图像下的目标识别、分类以及再识别任务,且具有速度快、高鲁棒性以及易于扩展等特点,具有较高的实用性。

基于积分图的LATCH算法改进

LATCH(基于机器学习的三像素块描述子)在原有局部二值描述子的基础上通过将二像素块比较改为三像素块提升了局部二值描述子的准确率,但提高准确率的同时带来了更大的时耗,在研究LATCH以及其他二值描述子的基础上,借鉴积分图在目标检测中的应用,将积分图的思想应用在改进LATCH描述子中,减少了LATCH描述子中各像素块内的重复计算量.实验证明,改进算法的描述子计算时间较原算法缩减了30%–40%,而配准精度与原算法保持相近.

改进AKAZE算法的泥石流区无人机影像特征匹配

针对在泥石流区灾害应急中使用无人机高分辨率影像特征匹配时时效性较低的问题,本文提出了一种改进AKAZE无人机影像特征匹配的算法。该算法首先使用AKAZE特征点检测算法提取局部稳定不变特征,用二进制描述符BEBLID描述检测到的特征点,采用最近邻次近邻距离比(NNDR)完成初步匹配;然后采用核线几何约束计算变换矩阵,达到内点提纯、提高匹配质量的目的;最后选取5组同一无人机序列影像进行特征匹配试验,分别与经典SIFT算法、AKAZE算法、ORB算法进行比较。试验结果表明,该方法的匹配准确率与SIFT算法接近,略高于AKAZE算法,明显优于ORB算法,计算速度明显优于SIFT算法和AKAZE算法,基本达到ORB算法的计算效率。本文方法能较好地应用于对匹配精度和匹配时效均要求较高的泥石流场景无人机影像数据处理中。

基于改进FREAK的图像匹配算法

为提升图像匹配算法的实时性和鲁棒性,提出一种基于改进FREAK的特征点匹配算法。将经典FREAK算法的8层视网膜模型简化为5层,根据贪婪搜索算法选取64组感受野点对,以在减少运算开销的同时尽量保留有效的点对信息。在此基础上,设计一种具有方向不变性的LBP算法对每个感受野进行编码,从而提高描述符的区分度。实验结果表明,与FREAK、BRISK等算法相比,该算法具有最小的描述符尺寸,且在多数场景下,其运算更快,精度更高,更适合光照变化复杂的环境。

局部二值描述子在图像匹配中的应用

鉴于传统的局部描述子,如SIFT、HOG等,计算复杂度高、占用内存大且匹配时间过长,目前研究人员致力于研究二值化的局部描述子。二值描述子采用位存储并以汉明距离作为其匹配准则,在内存占用率和匹配时间上相比传统实值描述子有很大的优势。本文总结了目前在图像匹配中基于像素值和梯度值不同检验子的二值描述子,整理分析他们的优缺点并分析标准测试库结果。

基于局部图像描述的目标跟踪方法

针对视频目标跟踪问题,介绍了一种基于局部图像描述的目标跟踪方法.以高斯差值函数图像金字塔中的空间极值点作为图像关键点,在关键点邻接域中,以基于局部二进制模式(LBP)的纹理统计和色彩分布作为特征量,应用特征量在视频序列中的匹配实现目标跟踪.当视频序列中存在目标全局运动、有限度的尺度变化、旋转等复杂因素时,采用纹理和色彩分布得到的局部图像描述具备一定的稳定性,运用权值调整算法寻找稳定特征量集合,能够进一步自适应跟踪目标的外观变化.测试了不同条件下的视频序列,该方法具备良好的跟踪效果和一定的稳定性.

图像局部映射二进制串描述符

为了提高图像局部特征算法的计算速率与匹配速度,并保持其准确率,提出了一种局部映射二进制串描述符算法。它通过映射的方法将图像局部区域转化成二进制串,从而提高其计算效率与匹配速度,并通过机器学习的方法寻找最佳映射矩阵,保持其准确率。从实验结果表明,只需32比特的二进制串就可以在准确率上媲美现有的局部描述符算法,并在匹配速度上有较大的优势。

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。

伪装效果评价模型的图像纹理特征提取方法

对伪装后的军事目标进行伪装效果评价,通常依据伪装前后目标图像特征的改变情况进行评价。光照环境影响导致采集的图像质量下降,对提取目标图像特征会产生不利影响,从而影响伪装效果的评价。针对光照环境对目标图像特征的影响,提出一种结合局部二进制模式(LBP)与灰度共生矩阵的目标纹理特征提取方法。该方法首先通过局部二进制模式(LBP)算法提取目标图像不受光照影响的图像特征信息,然后对局部二进制模式(LBP)图像提取灰度共生矩阵,获得描述图像纹理特征的5个特征值。通过对比实验表明该方法可以有效降低光照环境因素对伪装效果评价的不利影响,使伪装目标的伪装效果评价结果更加准确可靠。

基于局部聚合描述符的视点不变视觉位置识别

针对目前视觉位置识别系统无法同时拥有视点不变、条件不变和高效率的性能,提出一种基于视点不变的位置识别系统,采用局部聚合描述符(VLAD)。采用高稳健性的加速稳健特征(SURF)算子进行特征检测,利用梯度直方图描述特征;利用VLAD将每个特征划分到特定的聚类中,使用局部敏感散列(LSH)进行数据降维,将特征随机投影到低维的二进制签名中,计算二进制签名;通过计算二进制图像签名上的汉明距离实现图像比较,识别视觉位置。实验结果表明,所提系统只需要占用很小的内存,就能够稳健适应变化的环境。

基于图像金字塔的离线签名鉴别技术

手写签名鉴别已广泛应用于日常中的方方面面,现阶段对于离线手写签名鉴别技术的研究仍在发展中。首先对手写签名图像生成图像金字塔,再对图像金字塔中的每一层图像提取局部二值模式算子,最终形成基于图像金字塔局部二值模式的多维特征。采用决策树及梯度提升树两种分类器对公开数据库CEDAR中签名进行鉴别实验,两种分类器得到AER分别为13.21%和10.89%。实验结果表明,对签名图像建立空间金字塔能够有效提高签名鉴别成功率。

采用旋转匹配的二进制局部描述子

针对二进制描述子主方向计算误差影响图像匹配正确性的问题,提出了一种旋转不变的二进制描述子构造和匹配方法。在以特征点为中心的同心圆周上等间隔选取采样点,按照旋转不变的模式选取采样点对进行灰度值比较,将比较结果连接成二进制串,作为区域的描述子。匹配时比较描述子在所有旋转模式中的汉明距离,取最小值作为描述子的距离,实现不依赖于主方向的旋转不变性。配合多尺度特征检测方法,将采样模式进行缩放,并对图像进行亚像素插值,实现尺度不变性。描述子匹配的实验结果表明,本文方法在旋转、尺度和光照变换下的匹配效果比当前依赖主方向的二进制描述子方法具有更高的鲁棒性。

基于DCT和修正CSLBP的局部特征描述子

为了更好地兼顾特征描述子的鲁棒性和维数,提出了一种基于离散余弦变换(DCT)和修正中心对称局部二值模式(CSLBP)的局部特征描述子.综合利用了修正CSLBP算法的快速性、亮度不变性、旋转不变性和DCT算法的去相关性、能量集中性、可分离性.首先利用Hessian-Affine算子进行区域检测并进行规范化处理,然后在局部旋转不变坐标系下计算CSLBP描述子,最后应用DCT压缩该修正的CSLBP描述子,得到了一种64维的局部特征描述子.实验结果表明:提出的描述子在图像模糊变换、视角变换、仿射变换、线性亮度变化和JPEG压缩变换下具有良好的性能,特别对于纹理信息较强的图像序列集有更好的效果,而且该描述子生成和匹配速度都较快,适用于实时性要求较高的应用.

像素聚类改进二进制描述子鲁棒性

目的通过挖掘图像局部区域特征信息,提出了一种鲁棒性更高的二进制描述子。针对BRIEF(binary robust independent elementary features)关于旋转和视角变化鲁棒性差的问题,通过图像补丁分层处理、增加关键点图像补丁个数来捕获更多的局部特征信息,对BRIEF描述子改进。方法首先,根据灰度序列对补丁内所有像素点分类,像素的一个聚类形成了一个亚补丁,然后在每个亚补丁上进行类似BRIEF的随机测试。其次,由于原图像补丁大小、尺度大小影响补丁的像素点成分,从而影响像素聚类的效果,所以在原图像关键点周围分割出多个不同大小的图像补丁,或是将原图像补丁根据尺度金字塔确定几个尺度大小不同的补丁,然后再对图像补丁进行分层、测试。所构建的描述子不仅包含了补丁像素的灰度比较信息,而且包含了灰度排序信息和像素群聚信息,提高了描述子的鲁棒性。结果通过性能对比实验,发现所提的描述子的性能提高了,而且好于对比的浮点描述子。结论挖掘图像补丁的特征信息能提高二进制描述子的鲁棒性。

具有旋转鲁棒性的纹理谱描述子

为克服传统CS-LBP(Center-Symmetric Local Binary Patterns)描述子旋转鲁棒性较差的问题,从人眼视觉角度考虑,提出一种新的CS-LBP纹理谱描述子。将纹理模式的旋转变化与字符串的移位操作相结合,基于纹理模式等价类的思想,设计了更有效的方法提升新描述子的抗旋转能力。实验结果表明,新描述子及方法具有更强的旋转鲁棒性,使旋转纹理图像的聚类准确率提高了9%～38%。