改进Harris算子用于点特征的精确定位

Harris算子是在计算机视觉领域使用非常广泛的点特征提取算子，它算法简单，而且稳定，但缺憾是其定位精度只能达到一个像素。参考摄影测量中Foerstner算子精确定位的思想，改进Harris算子，使其可以定位到子像素。实验证明，该方法在点特征的提取和精确定位方面都达到了较好的效果。     

一种基于角点特征的遥感影像自动配准方法

本文通过对Harris算子进行改进,自适应地提取角点特征,然后基于角点特征进行由粗到精的匹配,完成影像的配准;并利用MODIS影像、TM影像和HJ-1卫星影像3种不同分辨率的遥感影像进行配准实验,结果表明该自动配准方法能够达到亚像素级的配准精度,是一种高精度的影像配准方法。     

一种利用零交叉点理论的改进SIFT特征提取算法

提出了一种利用零交叉点特征提取的改进SIFT算子用于遥感影像的自动匹配.将图像几何特征引入到尺度空间探测中,获得了重复性更高、更稳定的特征.采用近景数码大旋角数码立体像对和低空航摄立体像对进行了算法测试.实验表明,改进后的SIFT算子应用于遥感影像自动匹配,在特征提取重复率、匹配正确点数、匹配正确率上均有明显提升.     

图像特征点提取及匹配技术研究

图像特征点提取和图像匹配技术是图像处理领域中的重要技术,同时是多种图像处理及应用的基础。本文主要研究利用Forstner算子、Moravec算子、Harris算子、SIFT算子对近景影像和航空影像进行特征点提取;接着,采用基于SIFT的匹配来确定匹配同名像点,利用核线约束匹配的搜索范围,约束范围内的特征点;接着,采用灰度相似性约束和双向一致性约束对匹配结果进行检核;最后,得出特征提取和特征匹配的结果。基于本文研究的特征点影像提取及匹配方法,分别选取一组近景影像和数码航空影像进行实验,实验结果证明了本文方法的可靠性和高效性。     

基于高斯差分的改进Harris特征点提取算法

针对非城区影像纹理特征缺乏、特征不明显、影像特征点提取困难和图像特征附近可能出现冗余特征点问题,本文提出一种基于高斯差分的改进Harris特征点提取算法。首先用高斯函数对图像进行卷积运算生成平滑图像,将原图像与平滑图像进行差分运算生成增强纹理特征的差分图像;然后基于Harris算法进行差分图像特征点提取,进行特征点局部窗口的非极大抑制,剔除冗余特征点,提高特征点提取精度。实验证明,本文算法可以改善纹理贫乏影像区的特征提取效果,有效删除冗余特征点,并提供质量较好的特征控制点。     

应用二阶Harris算子的高铁轨道近景影像特征点提取

由于轨道影像具有较高的灰度相似性,传统一阶Harris算法提取轨道影像特征存在时间效率低、特征点聚簇等负面问题,文章针对已有Harris方法的不足,提出了一种基于图像分块自适应阈值的二阶导数Harris特征点检测算法,采用自相关矩阵兴趣值识别轨道图像特征点,并分别对有砟与无砟铁路轨道影像开展特征点提取。实验结果表明,二阶Harris算子在轨道近景影像特征点提取方面具有较高的计算效率,所提取出轨道影像特征点满足均匀分布的空间特征,有效避免了传统方法特征点的聚簇现象。     

基于改进Harris算法的高分辨率遥感影像建筑物角点检测研究

高分辨率影像具有空间分辨率高、光谱分辨率相对不足的特点,在多领域中具有广阔的应用前景。利用Google Earth高分辨率遥感影像作为数据源,对其红、绿、蓝通道图像,以及三通道取平均的全色通道图像进行建筑物角点检测,并根据建筑物在影像上具有几何角点的特点,对Harris算法的一阶梯度算子进行4种方向上的改进。对Google Earth的红、绿、蓝、全色4种图像进行试验,从4个检测方向上检测并累加,结果表明红色通道的图像检测效果较好。利用4种改进梯度算子进行累加的建筑物角点识别,识别正确率可到74.75%,识别效果较好。结果表明,该方法可以很好地实现高分辨率影像建筑物的角点检测,具有一定的理 论研究和实际应用价值,可为建筑物自动识别提供技术参考。     

基于Harris和SURF的遥感图像匹配方法研究

针对多源遥感图像匹配正确率低的问题,本文首先采用点空间约束的Harris角点检测算法,得到分布比较均匀的角点;接着构建Voronoi图进行图像分块;然后应用分块SURF特征点检测和匹配得到仿射变换参数;再利用灰度积相关算法实现同名点搜索;最后辅以两点对空间约束剔除误匹配。实验结果表明,本文采用的基于Harris和SURF的方法在遥感图像匹配正确率和效率上优于SURF算法。     

基于图像灰度的点特征提取算子参数自适应研究

目前基于图像灰度的点特征提取算子的参数选择均根据经验值手动设置。然而该方法常需多次设置比较后才能得到较好的特征点,所以有必要研究各算子的参数自适应。通过真实拍摄影像测试了各算子参数对提取特征点的影响情况;在此基础上提出各算子的自动设置参数算法,并通过3种对比度不同的影像分别测试了各自动设置参数算法的特征点提取效果。研究结果表明:各自动设置参数算法都能自动检测较优的参数值,避免了手动设置参数的不确定性,提高了影像特征点提取的效率。     

对比Harris算子和Susan算子的建筑物边界规则化方法

建筑物顶部边界的精确提取在建立数字城市等方面发挥着非常重要的作用。本文针对从遥感影像中粗提取的建筑物边界不规则的问题,结合Harris算子和Susan算子,提出了一种对粗提取后的建筑物边界进行规则化拟合的处理方法。首先对粗提取的建筑物顶部边界进行预处理以剔除噪声影响;然后分别使用Harris算法和Susan算法对预处理后的建筑物边界进行角点检测提取;最后对检测提取的边界角点进行点号排序和规则化拟合连接得到规则的建筑物边界。试验结果表明,通过该方法处理后的建筑物边界平滑且与其实际边界基本一致。     

基于Harris算子的遥感影像自适应特征提取方法

提出一种基于Harris算子的遥感影像自适应特征点信息提取新方法。在进行特征点自动提取时,该方法通过设计一种自适应的迭代策略,实现了特征点阈值的自动确定。在兼顾局部纹理信息的基础上,通过对影像预先的分块处理和邻近点剔除,保证了特征点在全幅影像中的均匀分布。杭州地区TM影像特征点的提取试验表明,该方法自动化程度高,提取的特征点分布均匀合理,能满足几何配准和几何纠正精度要求,具有较高的实用价值。     

一种基于SVM的无人机影像中单个建筑物的角点检测方法

针对目前无人机影像中单个建筑物角点的检测现状,提出了一种基于支持向量机(SVM)的无人机影像中建筑物的角点检测方法。首先对4个波段的无人机影像进行多尺度分割,计算影像的NDVI,通过植被与非植被区域的波谱差异剔除植被的影响。其次,用面向对象分类法将"建筑物块"从影像中提取出来,对"建筑物块"区域用Harris算子进行边缘检测,形成建筑物边缘点集数据。随后通过设计高斯径向基将边缘样本点映射到高维特征空间,构建特征向量,采用边缘点集训练SVM分类模型,最终通过SVM分类模型从粗提取的边缘点集中检测出正确的建筑物角点,实现了单个建筑物的角点提取。     

运动视频序列影像的自动配准

影像配准是运动视频处理应用中的关键技术,从计算机视觉角度出发提出了一种针对运动视频处理的自动影像配准方法.其主要思路可以归结为基于特征匹配的配准过程,具体分为3个方面:利用Harris算子检测角点特征;以互相关函数为测度对角点特征进行初步匹配,特别使用RANSAC拟合基础矩阵F的方法剔除匹配中的错误对应;利用得到的结果重新拟合配准模型进行重采样变换.最后进一步分析了此方法应用于具体运动视频处理时需要考虑的一些问题.     

定向点提取算法的相对定向适应性

为了提高数字影像的相对定向精度,本文研究了几种定向点提取算法的相对定向适应性,并从计算速度、定向点有效性和相对定向精度方面综合评价各提取算法的性能。试验表明：Forstner 算子的计算速度最快, Harris算子的相对定向精度最差;SIFT算子的定向点有效性最高且相对定向精度最好,但是其计算速度最慢;SURF算子的定向点有效性和相对定向精度都稍逊于SIFT算子,但是其计算速度约为SIFT算子的2倍。     

基于Harris与RANSAC算法的无人机影像拼接方法研究

针对Harris算法在进行无人机影像拼接时的特征点误匹配问题,利用RANSAC算法对误匹配的特征点进行剔除,进而实现无人机影像的无缝拼接。首先,基于Harris算法提取兴趣点,利用最短欧式距离进行特征匹配;然后,利用RANSAC算法实现对特征点的精确匹配;最后,利用RANSAC算法得到的单应性矩阵完成无人机影像拼接。实验结果表明:本文方法能够较好地剔除无人机影像拼接时误匹配的特征点,实现对无人机影像的拼接,拼接效果良好。     

一种基于Harris算子的快速图像匹配算法

针对局部特征匹配面临的实时性和鲁棒性难以兼顾的问题,提出了一种基于Harris算子的快速图像匹配算法。通过分析Harris算子的基本原理,提出了用特征检测的中间数据描述局部特征,并建立了一种基于Harris自相关矩阵之迹的低维特征描述子,在保持算法鲁棒性的同时有效减少了算法的计算量,最后用特征描述子之间的绝对值距离作为相似性度量匹配特征点以降低计算复杂度。实验结果表明,本算法不仅对图像尺度缩放、旋转、模糊、亮度变化和较小视角变化保持不变,而且匹配速度较快。     

利用Harris算子进行广义点摄影测量特征提取及其矢量化

提出了一种基于非局部极值抑制的Harris算子,实现了特征点和边缘线的联合提取。采用基于主方向的边缘跟踪,实现了边缘的矢量化存储。实验证明,改进后的Harris算子在特征点和边缘线联合提取时较原始算法效果更好。本算法采用一定的数学模型对边缘线进行拟合,从而进一步对边缘特征进行描述,有利于数据管理和后期的特征匹配。