图像特征匹配的核心是通过距离函数实现在高维矢量空间进行相似性检索.重点研究提取好的特征点并快速准确地找到查询点的近邻.首先,提取图像的多量、有区别且稳健的SURF(Speeded up robust feature)特征点,并将特征点凸包进行Delaunay剖...图像特征匹配的核心是通过距离函数实现在高维矢量空间进行相似性检索.重点研究提取好的特征点并快速准确地找到查询点的近邻.首先,提取图像的多量、有区别且稳健的SURF(Speeded up robust feature)特征点,并将特征点凸包进行Delaunay剖分.然后,对Delaunay三角边抽样、聚类、量化并构建索引.通过票决算法,将点对匹配与否映射到矩阵中以解决距离度量没有利用数据集本身所蕴含的任何结构信息和搜索效率相对较低的问题.结合SURF算法和Delaunay三角网提出一种特征匹配的新方法,在标准图像集上的实验验证,在耗时基本相同的情况下,提取的特征点较多且正确匹配率较高.展开更多
鉴于Newton-Raphson(N-R)迭代法的数字图像相关方法(DIC)对初值敏感等问题,提出了一种使用SURF(speeded up robust features)特征匹配的数字图像相关方法。SURF算法能匹配出变形前后图像的特征点对,并获得点对的坐标值,使用与匹配点对...鉴于Newton-Raphson(N-R)迭代法的数字图像相关方法(DIC)对初值敏感等问题,提出了一种使用SURF(speeded up robust features)特征匹配的数字图像相关方法。SURF算法能匹配出变形前后图像的特征点对,并获得点对的坐标值,使用与匹配点对所在的子区相对应的仿射变换来初始估计子区的变形参数,获得兴趣点的估计值。根据估算的初值进行迭代优化,得到使归一化最小平方距离相关函数(ZNSSD)最小化的兴趣点位移值。实验中,分别用该法及传统的基于尺度不变特征变换(SIFT)的初值估计方法对鲤鱼鳞片拉伸变形图样进行处理,结果表明所提的初值估计方法更加精确有效,并能够使后续的N-R迭代优化快速收敛。展开更多
针对传统图像匹配算法计算量大、耗时长等缺陷,提出一种基于SURF(speeded up robust features)的图像特征点快速匹配算法.首先对图像采用SURF算法提取特征点;然后通过Haar小波变换确定特征点的主方向和特征点描述子,使用优化的最近邻搜...针对传统图像匹配算法计算量大、耗时长等缺陷,提出一种基于SURF(speeded up robust features)的图像特征点快速匹配算法.首先对图像采用SURF算法提取特征点;然后通过Haar小波变换确定特征点的主方向和特征点描述子,使用优化的最近邻搜索算法(best bin first,BBF)进行特征点匹配;最后根据实际需要选取相似度最高的前n对匹配点进行对比实验.实验结果表明:该算法鲁棒性强,速度快,匹配准确性高,具有较大的应用价值.展开更多
针对高实时性要求中SURF(speeded up robust features)特征匹配算法速度偏慢的缺点,提出一种基于分块的加速方法,根据匹配中模板图像与搜索图像的大小对比关系,分别采用只对搜索图像分块的单分块方法与对模板图像与搜索图像都进行分块...针对高实时性要求中SURF(speeded up robust features)特征匹配算法速度偏慢的缺点,提出一种基于分块的加速方法,根据匹配中模板图像与搜索图像的大小对比关系,分别采用只对搜索图像分块的单分块方法与对模板图像与搜索图像都进行分块的双分块方法,其中单分块方法包括简单K分块、简单K+1分块、尺度K+1分块及模板尺寸与尺度自适应的分块方法;双分块方法包括单块匹配与多块匹配。针对不同的分块方法分析了其理论上的平均匹配时间,并通过实验进行了对比,结果证明分块方法能够在保证正确匹配的同时大幅提高匹配速度。展开更多
文摘图像特征匹配的核心是通过距离函数实现在高维矢量空间进行相似性检索.重点研究提取好的特征点并快速准确地找到查询点的近邻.首先,提取图像的多量、有区别且稳健的SURF(Speeded up robust feature)特征点,并将特征点凸包进行Delaunay剖分.然后,对Delaunay三角边抽样、聚类、量化并构建索引.通过票决算法,将点对匹配与否映射到矩阵中以解决距离度量没有利用数据集本身所蕴含的任何结构信息和搜索效率相对较低的问题.结合SURF算法和Delaunay三角网提出一种特征匹配的新方法,在标准图像集上的实验验证,在耗时基本相同的情况下,提取的特征点较多且正确匹配率较高.
文摘鉴于Newton-Raphson(N-R)迭代法的数字图像相关方法(DIC)对初值敏感等问题,提出了一种使用SURF(speeded up robust features)特征匹配的数字图像相关方法。SURF算法能匹配出变形前后图像的特征点对,并获得点对的坐标值,使用与匹配点对所在的子区相对应的仿射变换来初始估计子区的变形参数,获得兴趣点的估计值。根据估算的初值进行迭代优化,得到使归一化最小平方距离相关函数(ZNSSD)最小化的兴趣点位移值。实验中,分别用该法及传统的基于尺度不变特征变换(SIFT)的初值估计方法对鲤鱼鳞片拉伸变形图样进行处理,结果表明所提的初值估计方法更加精确有效,并能够使后续的N-R迭代优化快速收敛。
文摘针对传统图像匹配算法计算量大、耗时长等缺陷,提出一种基于SURF(speeded up robust features)的图像特征点快速匹配算法.首先对图像采用SURF算法提取特征点;然后通过Haar小波变换确定特征点的主方向和特征点描述子,使用优化的最近邻搜索算法(best bin first,BBF)进行特征点匹配;最后根据实际需要选取相似度最高的前n对匹配点进行对比实验.实验结果表明:该算法鲁棒性强,速度快,匹配准确性高,具有较大的应用价值.
文摘针对高实时性要求中SURF(speeded up robust features)特征匹配算法速度偏慢的缺点,提出一种基于分块的加速方法,根据匹配中模板图像与搜索图像的大小对比关系,分别采用只对搜索图像分块的单分块方法与对模板图像与搜索图像都进行分块的双分块方法,其中单分块方法包括简单K分块、简单K+1分块、尺度K+1分块及模板尺寸与尺度自适应的分块方法;双分块方法包括单块匹配与多块匹配。针对不同的分块方法分析了其理论上的平均匹配时间,并通过实验进行了对比,结果证明分块方法能够在保证正确匹配的同时大幅提高匹配速度。
