基于改进PSO-SIFT算法的油田遥感图像匹配

针对油田遥感图像在灰度有明显差异的情况下,联合位置、尺度和方向的尺度不变特征变换(PSO-SIFT)算法很难为其找到足够多的正确对应关系,且花费时间较长的问题,提出一种基于改进PSO-SIFT算法的图像匹配算法.首先采用“回”字型分块思想构建特征描述符,降低特征描述子的维度;然后使用基于全局运动建模的双边函数(BF)算法与快速样本共识(FSC)算法相结合的匹配策略,对所得的匹配对进行误匹配剔除,以增加正确匹配的数量;最后将该算法与4种同类算法及原PSO-SIFT算法进行对比.实验结果表明,该算法比同类算法精度更高,与原算法相比不仅保证了图像匹配的精度,正确匹配对数量也增加了约3倍,且匹配时间约缩短20 s.

实现激光点云高效配准的ICP优化及性能验证

激光点云常规匹配算法是迭代最近点(Iterative Closest Point, ICP)算法,但其收敛速度慢、鲁棒性差,因此,提出一种融合多种优化算法的激光点云高效ICP配准方法。首先对点云体素滤波降采样,通过ISS算子提取关键点,采用快速点特征直方图(Fast Point Feature Histograms, FPFH)提取关键点特征,嵌入多核多线程并行处理模式(OpenMP)提高特征提取速度;然后基于提取的FPFH特征,使用采样一致性初始配准算法(Sample Consensus Initial Alignment, SAC-IA)进行相似特征点粗配准,获取点云集间的初始旋转平移变换矩阵;最后采用ICP算法进行精配准,同时采用最优节点优先(Best Bin First, BBF)优化K-D tree近邻搜索法来加速对应关系点对的搜索,并设定动态阈值消除错误对应点对,提高配准快速性和准确性。对两个实例的配准点云进行了实验验证,结果表明,提出的优化配准算法具有明显速度优势和精度优势。

面向巡视探测任务的复杂地形信息感知与场景重建

针对复杂地形环境下巡视探测中避障问题,提出了一种基于点云的地形信息感知与场景建模方法。首先对获取的点云数据进行稀疏采样和滤波降噪;然后结合移动机器人越障能力极限与改进的随机采样一致性算法,拟合其自适应基准面作为可通行区域;其后使用基于密度的聚类算法感知地形特征信息,并采用凸包算法提取地形特征轮廓;最后结合自适应基准平面进行快速三维场景重建,为地面观测提供直观快速的巡视器周围三维环境模型。通过对复杂地形环境进行模拟实验,结果表明:该方法可以有效获取复杂地形信息,并可大幅度提高场景重建的效率。

基于ORB特征的无人机遥感图像拼接改进算法

针对传统的SIFT算法运行速度较慢、不适合处理实时性要求高的无人机遥感图像的缺点,提出了一种基于ORB特征的快速遥感图像拼接改进算法。首先通过ORB算法快速得到特征点和特征描述,采用K最近邻算法(KNN)进行粗匹配,然后采用随机抽样一致性算法(RANSAC)进行精匹配,最后使用改进的加权平均方法对图像进行融合拼接。实验结果表明,该算法在保证匹配精度的基础上,处理速度较经典的SIFT算法提高了41倍。在图像融合时,该算法能有效地消除拼接重影错位现象。

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%。

基于导向快速与旋转简短和随机抽样一致组合的图像拼接算法优化

针对在图像拼接过程中存在图像间的特征点匹配精度低、图像拼接处存在裂缝以及图像拼接时间久的问题,提出一种基于导向快速与旋转简短(oriented fast and rotated brief, ORB)和随机抽样一致(random sample consensus, RANSAC)组合的图像拼接算法。首先,利用小波变换得到表示图像的近似、水平、垂直和对角特性的子图像分量,选取图像的近似、水平和垂直特性的子图像分量进行叠加,得到下一步进行特征提取的图像;其次,提取图像的ORB特征点并生成二进制特征描述符;再次,通过正反双向匹配对图像中的特征点进行粗匹配并使用RANSAC算法进行精度匹配;最后,利用拉普拉斯金字塔算法进行图像融合。实验结果表明:利用基于ORB和RANSAC组合的图像拼接算法对选取的图像进行提取特征平均耗时约为传统尺度不变特征转换(scale invariant feature transform, SIFT)算法的84.7%、加速鲁棒特征(speed-up robust features, SURF)算法的36.4%、ORB算法的64.9%,图像特征匹配精度提高,图像特征匹配时间缩短,图像拼接处不存在明显裂痕。基于ORB和RANSAC组合的图像拼接算法是一种优质的图像拼接算法。

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。

基于3DSIFT特征点的改进ICP点云配准算法

点云数据具有大体量、高冗余且非结构化的特点。针对直接采用迭代最近点ICP算法对初始位姿较差的点云数据进行配准时存在的耗时长、鲁棒性差的问题,提出一种改进的点云配准算法。首先使用体像素网格滤波算法对点云进行精简;然后提取点云的三维尺度不变特征变换3DSIFT特征点,并结合快速点特征直方图FPFH提取特征,再利用方向向量阈值算法去除错误匹配点对,然后针对这些特征利用随机采样一致性算法RANSAC结合SVD算法计算转换参数并完成粗配准;最后采用基于KD-tree加速的改进ICP算法完成精配准。结果表明,该算法的平均配准精度为4种对比算法的17.96%、47.39%、69.88%和79.78%,并且在权衡配准精度的基础上缩短了配准时间。