基于特征点自动匹配的图像拼接方法

提出了一种基于特征点自动匹配的图像拼接算法,采用改进的Harris算子提取特征点,保证了提取的效率和精度,根据互相关的双向匹配实现对应特征点的自动匹配,从而建立参考图像与当前图像的对应点对,最后采用最小二乘方法得到图像间的全局变换参数,实现图像的拼接。     

基于改进的FAST-SURF快速图像拼接算法

针对SURF(speeded-up robust features)算法计算量大、图像拼接效率低的不足,以FAST(features from accelerated segment test)角点取代SURF斑点在图像重合区域提取特征点,使用SURF描述子进行特征点描述,通过描述子降维、自适应最近邻与次近邻比值法、几...     

基于改进SIFT特征点匹配的图像拼接算法

基于传统SIFT方法和图像像素加权平滑融合的思想,提出了一种改进SIFT特征点的图像拼接方法。该方法首先利用Canny边缘检测算法获得图像的边缘点坐标,通过和SIFT算法关键点坐标进行对比,去除不稳定响应点;其次通过K-L变换降低算法复杂度,对得到的匹配点对,使用RANSAC算法进行提纯,计算投影变换模型参数;最后使用渐入渐出的加权融合算法平滑图像,消除图像之间的拼接缝隙。该算法的可行性和有效性通过实验结果可以得到证明。     

一种改进的基于小波方向对比度的无缝拼接算法

为了提高图像无缝拼接效果,对现有平滑算法进行分析,在此基础上提出一种基于小波方向对比度的中缝平滑算法。该算法首先对源图像进行基于统计参数的预处理,使得图像整体亮度趋于一致,然后利用小波变换对图像进行多分辨率分解,对于分解后的图像提出采用一种基于改进的小波方向对比度的规则进行平滑处理。文中还通过几种图像客观评价标准对仿真结果进行了评价,结果表明：该方法在两图像灰度相差较大时也能够取得较好的平滑效果,对光照具有鲁棒性,并且平滑后的图像可以保留原始图像的细节信息,使得图像在保证清晰度的前提下达到无缝拼接。     

一种基于协方差描述子的场景分类算法

图像场景分类一直是计算机视觉领域的一个热点问题。提出了协方差描述子场景分类算法,它聚合了像素位置、颜色特征、方向特征和局部纹理特征等互补特征形成协方差描述子。为了避免计算黎曼空间内的协方差距离测度,把协方差描述子转换成欧式空间内的Sigma点特征,可以实现线性的场景描述和支持向量机训练。在SUN Database标准数据集上进行了算法分类测试,并与经典的场景分类算法进行了性能比较;通过构造包含噪声的场景数据集,验证了新算法和经典算法的鲁棒性。实验结果表明该算法在计算效率和分类性能方面具有很强优势,同时具有较好的噪声鲁棒性。     

一种背投影单元无缝拼接技术研究

背投影拼接显示屏一直被显示图像上存在的图像拼缝所困扰,根据背投影显示原理,分析了图像拼缝产生的原因,提出扩大投影光范围,采用光楔导光的方法将边缘投影光线引入拼接缝,利用全反射临界角原理使进入拼接缝的光线可以近似垂直的方向投射到屏幕上,使图像可以连续跨越拼接缝显示,完全消除了所显示图像上的拼缝黑线,实现了背投影拼接显示屏真正的无缝显示。     

一种基于图像投影特征的射线图像拼接方法

在应用射线进行构件检测的过程中,图像拼接具有重要的作用。首先减小搜索区域和运用图像的投影特征求出相关系数,然后根据相关系数确定两幅图像的匹配位置。这种方法能够对所要拼接的图像进行准确的配准和无缝拼接。在射线图像的拼接和应用中获得了满意的效果。     

基于灰度校正的子孔径图像拼接算法

在多探测器子孔径组合图像拼接过程中。由于子图像边缘质量差、重叠区域少,而造成拼接图像拼缝明显。为此提出了先对子图像进行灰度校正,再进行图像拼接的新算法。该算法结构简单．易于硬件实现。便于移植到实时多探测器组合图像拼接系统中。仿真结果表明．拼接后图像重叠区平滑过渡,效果良好。     

基于特征点及优化理论的图像自动拼接方法

提出了一种新的图像拼接方法,首先利用相位一致性(phase congruency)算法进行特征点检测,利用本文提出的匹配点优选策略进行特征点对自动选取,然后用LM(Levenberg-Marquardt)算法进一步优化变换矩阵,最后对拼接结果进行融合处理,获得无缝拼接的图像.该方法把基于特征点和基于优化理论的拼接方法有效相结合,且能充分利用图像重叠部分的信息,在一定程度上克服了噪声及光照不均的影响,较传统方法具有更强的鲁棒性和更高的拼接精确度.试验结果证明了该方法的有效性.     

一种基于嵌入式全景视频流影像数据实时拼接方法

针对机载全景视频流影响,提出了一种基于嵌入式的全景实时拼接方法。提取图像中的SURF(speeded up robust features)特征点,生成特征描述子。通过计算2个特征点之间的欧式距离来确定匹配度,经过仿射变换后,利用泊松变换实现图像间的融合平滑处理。将上述流程在目标设备上进行并发执行,根据每个流程自身的特点进行定制化优化,实现全景实时拼接。试验测试表明,本方法实现了拼接接缝处基本无缝的效果,拼接速度达到30 Hz,能够满足实时显示的要求。     

结合Harris与SIFT算子的图像快速配准算法

本文提出了一种结合Harris与SIFT算子的快速图像配准方法。首先,对Harris算法进行两方面的改进:一是构建高斯尺度空间,提取具有尺度不变性的角点特征;二是采用Forsnter算子对提取的角点精定位,提高配准精度。然后,利用SIFT算子的特征描述方法描述提取到的特征点,通过随机kd树算法对两幅影像的特征点进行匹配。最后采用RANSAC算法对匹配点对进行提纯,并通过最小二乘法估计两幅影像间的空间变换单应矩阵,完成图像配准。实验结果表明:本文方法在基本保持配准精度的同时,在配准过程的时间消耗上比标准SIFT算法减少了64%。     

图像局部特征自适应的快速SIFT图像拼接方法

针对目前图像拼接中计算量较大、实时性较差的问题,本文提出了一种图像局部特征自适应的快速尺度不变特征变换(SIFT)拼接方法。首先,对待拼接图像分块,确定图像局部块的特征类型;接着自适应采用不同的简化方法提取各局部块的特征点。然后,通过特征匹配求出变换矩阵,并结合RANSAC算法去除伪匹配对。最后,通过图像融合得到最终的拼接图像。文中使用提出的方法对3组待拼接图像进行实验。从实验结果可以看出:与标准拼接方法相比,本文改进方法的计算速度提升了30%~45%。因此,这种方法能够在保证图像拼接质量的前提下,有效提高图像拼接的效率,克服图像拼接中计算复杂度高的问题,在实际图像拼接中具有一定的应用价值。     

多探测器拼接成像系统实时图像配准

依据已设计完成的基于同心球透镜的四镜头多探测器阵列拼接成像系统,对该系统图像拼接配准过程所采用的特征检测提取、特征向量匹配与筛选、空间变换模型参数估计等算法进行了研究。首先,采用Fast-Hessian检测子提取参考图像和待配准图像的特征点,并生成加速鲁棒特征(SURF)描述向量。接着,采用快速近似最近邻(FANN)逼近搜索算法获得初始的匹配点对,并对匹配点对特征向量的欧式距离进行排序。然后,参照成像系统光学设计参数设定合理的阈值,筛选并保留下较好的匹配点对。最后,提出了一种改进的渐进式抽样一致性(IPROSAC)算法对空间变换矩阵模型进行参数估计,从而得到参考图像与待配准图像的空间几何变换关系。实验结果表明:该算法对图像尺寸、旋转和光照变化都具有一定的不变性,特征匹配时间为0.542 s,配准变换时间0.031 s,配准误差精度小于0.1 pixel,可以满足成像系统关于图像配准实时性和准确性的要求,具有一定的工程应用价值。     

基于ARM的嵌入式图像识别检测系统的设计

图像识别的主要目的是使用计算机作为工具对目标图像进行处理、解析与应用,通过数据分析检测出具有不同特征的目标和对象,发展至今其已成为了人工智能的基础。本文基于ARM嵌入式芯片提出了一种结合尺度不变特征变换匹配算法的图像识别检测系统,系统硬件部分采用模块化设计的思想以提高系统的兼容性,分为图像获取、数据采集、数据存储、图像识别等模块;软件部分采用斑点检测匹配匹配算法进行图像识别以提高图像识别速度与精度。实验结果表明所设计的系统具有识别速度快、精度高、可靠性高、故障少的特点。     

基于序列图像的几何参数测量方法研究

随着测量技术的不断发展,现代工业对物体尺寸检测的准确性及快速性要求越来越高.文中提出了一种利用序列图像来测量物体几何尺寸的方法.使用数码相机获得标定模板的序列图像,通过直接线性变换(DLT)方法来标定相机内部参数,结合透镜成像的知识,对使用数码相机采集到的物体序列图像进行处理和测量,最终计算出物体的宽度和高度.实验证明...     

十亿像素瞬态成像系统实时图像拼接

为了满足工程应用对图像拼接实时性的要求,依据已设计完成的基于同心球透镜与微相机拼接阵列复合结构的十亿像素瞬态成像系统,提出一种基于统一计算设备架构(CUDA)与先验信息相结合的自适应图像拼接并行加速算法。首先,利用高精度四维标定平台对相邻微相机成像重叠区域进行预标定。接着,采用基于CUDA的快速鲁棒特征(SURF)方法检测提取重叠区域图像的候选特征点集。然后,运用基本线性代数运算子程序(CUBLAS)加速基于随机KD-Tree索引的近似最近邻搜索(ANN)算法,用于获取初始匹配点对。最后,提出一种改进的并行渐近式抽样一致性(IPROSAC)算法,用于剔除误匹配点对和空间变换矩阵的参数估计,从而得到拼接图像的空间几何变换关系。实验结果表明,该算法的图像拼接时间为287 ms,与单独采用CPU串行算法相比速度提高了近30倍。