基于小波高精度点匹配的基本矩阵估计

利用2视图进行景物的3维重构中,基本矩阵的估计是一个非常重要的问题.目前无论是线性算法还是非线性算法,在估计基本矩阵时都不太理想.这里采用图像的Harries角点作为端点,经过基于小波变换的子线段匹配方法获得高精度的匹配点对;在此基础上,进一步采用Hartley提出的改进八点算法获得了高精度的基本矩阵.通过真实图像的对比实验证明,该方法能有效地提高景物3维重构中基本矩阵估计精度.     

一种基于Hough变换的对极几何稳健估计算法

从基本矩阵的性质和作用出发,首先从理论上证明了如果在一条2维直线上有多于给定的3个以上的匹配点,多余的点将被视为冗余点不能用作匹配点;然后针对该问题引入了Hough变换算法,在建立匹配点对应关系的同时剔除冗余的共线点。实验表明,用改进后的算法估计出的基本矩阵在平均余差和对极距离上都小于改进前的算法,提高了基本矩阵的估计精度和稳定性。     

一种基于Hough变换的对极几何稳健估计算法

从基本矩阵的性质和作用出发,首先从理论上证明了如果在一条2维直线上有多于给定的3个以上的匹配点,多余的点将被视为冗余点不能用作匹配点;然后针对该问题引入了Hough变换算法,在建立匹配点对应关系的同时剔除冗余的共线点.实验表明,用改进后的算法估计出的基本矩阵在平均余差和对极距离上都小于改进前的算法,提高了基本矩阵的估计精度和稳定性.     

宽基线立体影像Harris-Laplace特征的最小二乘匹配算法

针对宽基线立体影像匹配的困难,本文提出一种基于Harris-Laplace的最小二乘匹配算法.算法基于Harris-Laplace特征检测器获得精度较高的初始特征点,对初始特征点进行NCC匹配,并应用基本矩阵F与单应矩阵H估计剔除误匹配点对,采用距离加权最小二乘匹配算法进行扩展匹配并同时保留定位精度较高的原始Harri...     

改进MSAC估计F与H矩阵在匹配点中的提纯

针对立体影像匹配中误匹配问题,通常通过某种约束来剔除误匹配。在多视图几何中,多采用基本矩阵和单应矩阵约束同名像点的位置。本文采用改进的稳健MSAC算法估计基本矩阵与单应矩阵,分别对不同地物类型的影像进行误匹配剔除。试验结果表明:(1)改进后的MSAC算法性能优于原算法;(2)单应矩阵适合于平坦地区影像,且其约束力高于基本矩阵;而基本矩阵则适合于任意立体影像。     

融合互补仿射不变特征的倾斜立体影像高精度自动配准方法

提出一种基于最大稳定极值区域(maximally stable extremal regions,MSER)与Harris&Hessian Affine的互补仿射不变特征高精度自动配准算法。算法分3个阶段:①融合MSER与Harris&Hessian Affine互补不变特征,采用最小生成树算法选取一定数量的最优互补特征集合,基于特征的仿射不变信息实现局部图像的仿射与方向归一化,特征匹配采用多层次自适应策略,首先基于SIFT描述符的欧氏距离比率测度获得初始匹配,继而估计影像间的基本矩阵与单应矩阵,然后在双重几何约束下利用归一化互相关(normalized cross correlation,NCC)测度进行扩展匹配,以增加特征匹配数量且最大限度地消除误匹配;②通过最小二乘匹配(least square matching,LSM)使匹配结果达到子像素精度,以提高配准精度,最小二乘匹配的迭代参数初值由同名仿射不变特征间的协方差矩阵与主梯度方位获得;③基于②的匹配结果和投影变换模型,完成影像的高精度配准。针对地面近景倾斜立体影像和无人机倾斜立体影像的试验结果证明了算法的有效性。     

基于无人机图像的密集匹配方法研究

本文提出了一种基于FAST算法的无人机图像密集匹配,使用FAST算法提取两图像的特征点,并使用归一化互相关算法实现两特征点点集的匹配,然后根据初匹配的结果采用RANSAC算法鲁棒地估算出基本矩阵和单应矩阵;采用极线约束和单应约束通过归一化互相关关系稳健匹配出所有点。实验表明,该密集匹配方法结果令人满意。     

基于SIFT匹配和RANSAC算法的超分辨率重建

图像超分辨率重建技术是根据序列图像间信息互补重建高分辨率图像的技术，其主要步骤在于精确运动估计算法和有效超分辨率重建算法。针对存在旋转、缩放变换的序列图像，本文提出一种基于SIFT匹配和随机采样一致性算法（RANSAC）的运动估计算法，该方法首先使用SIFT算法对图像序列的特征点进行提取并匹配，然后使用RANSAC算法消除误匹配点并获取投影变换矩阵，从而获得图像序列间的亚像素级的运动信息；采用一组低分辨率序列图像进行试验，基于上述运动估计算法，采用迭代反投影进行超分辨率重建。试验结果表明，运动估计精度较高，重建影像具有较好的视觉效果，尤其适用于影像序列间存在旋转缩放运动的图像序列的超分辨率重建。     

基于SURF的声纳图像配准与融合方法研究

针对侧扫声纳图像分辨率高测深精度低而多波束声纳图像分辨率低测深精度高的特点,提出了一种基于SUFR的声纳图像自动配准与融合方法。该算法检测同一区域内侧扫声纳图像和多波束图像的特征点,通过最近邻匹配获得匹配点后,计算图像间的变换矩阵,利用空间变换完成配准,采用加权融合法实现两者的融合。实验结果表明该算法具有很好的鲁棒性,配准精度达到像素级,可实现两者的高精度自动配准与融合,取得了理想的效果。     

基于GA-SIFT算法的无人机航拍图像实时拼接

为实现无人机航拍图像的实时拼接,本文深入研究了无人机航拍图像拼接中的关键技术,提出了一种基于遗传算法优化的图像拼接算法。首先利用SIFT算法提取图像的特征点,在特征点粗匹配过程中,采用欧氏距离作为相似度测量,利用遗传算法的并行性优化特征点匹配性能;然后使用RANSAC算法去除误匹配点对并获得转换矩阵,从而完成图像拼接。试验结果表明,采用遗传算法进行特征匹配,可大大降低匹配时间,匹配时间与特征点数量成正比;同时提高了匹配精度,进而提高了图像拼接的实时性和稳健性。     

一种改进的无人机影像拼接粗差剔除算法

利用无人机技术可以获取高分辨率影像。为了获取高精度的变换矩阵,提高影像匹配效率,本文对RANSAC算法进行了改进,加入影像的灰度信息进行约束,进一步剔除匹配粗差,最后采用均方根误差进行质量评判。为了验证算法的可靠性,选取一组山区影像和一组具有旋转偏角的建筑物影像进行验证。验证结果表明,匹配点粗差剔除率分别提高了15.15%和23.22%,本文算法的均方根误差较小,精度有显著的提高。     

利用特征组合检测算法的无人机遥感影像匹配研究

影像匹配是无人机遥感影像拼接和三维建模的基础和关键步骤。结合不同算法的优势，本文提出一种基于特征组合与RANSAC算法的无人机遥感影像匹配方法。该匹配方法首先采用AKAZE算法检测影像的特征点，然后利用SIFT描述符描述特征向量并获取特征点的主方向，最后基于单映射变换矩阵的RANSAC算法进行精准匹配。本文对基于特征组合与RANSAC算法的匹配效果进行了试验对比分析，试验结果表明：与常用匹配方法的匹配效果相比，本文的匹配方法继承了AKAZE算法的快速匹配能力，匹配总耗时介于AKAZE算法和SIFT算法之间，约为BRISK算法匹配耗时的20%；同时，该匹配方法继承了SIFT算法的多匹配点对性能，从整体匹配效果来看，本文的匹配方法优于AKAZE、SIFT、BRISK算法。     

利用A-AKAZE算法进行喀斯特地区无人机影像匹配

喀斯特地区地形复杂，无人机影像匹配难度大、耗时多。针对如何提高该区域无人机影像的匹配效率，本文提出了一种基于AKAZE的改进算法。该算法首先利用完全仿射不变框架对原始影像进行视角模拟；然后利用AKAZE算法对模拟影像进行特征点提取和描述，并获得原始影像的特征点和描述符；最后利用基于单应性矩阵的RANSAC算法对原始影像进行精匹配，进而剔除粗匹配过程中错误匹配点对。本文对该改进算法开展了试验研究，并与ASIFT和AKAZE等常用算法进行了试验对比分析。试验结果表明，对喀斯特地区无人机影像匹配而言，与ASIFT算法相比，在保持相当匹配正确率的情况下，基于A-AKAZE算法的匹配总耗时是ASIFT算法耗时的50%左右，可以较大幅度地减少匹配总耗时；与AKAZE算法相比，基于A-AKAZE算法的影像总匹配对数及正确匹配对数至少是ASIFT算法的影像总匹配对数及正确匹配对数的7倍。综合考虑匹配耗时和正确匹配对数，本文算法优于AKAZE和ASIFT等常用算法，更适合于喀斯特地区的无人机影像匹配。     

一种改进的APAP影像匹配算法

针对无人机影像匹配时易出现影像重影、透视失真和耗时较长等问题，本文提出了一种改进的APAP算法。该算法首先利用SIFT算法选取特征点，通过改进RANSAC算法去除误匹配点；然后根据APAP算法对影像进行网格划分，求每个网格的单应性矩阵，并对单应性矩阵进行线性化；最后根据线性化的单应性矩阵进行影像匹配，单应性矩阵的线性化不仅对影像匹配时产生的重影现象有较好的削弱作用，而且能减少非重叠区域的透视失真。试验结果表明，本文方法在匹配效率和匹配效果方面效果显著。     

利用GRIC测度的匹配数据拟合模型检测算法

影像间的匹配点通常受基本矩阵或单应矩阵模型约束,利用不同的描述模型引导匹配会得到不同的匹配结果,并且将直接影响后续的三维重建结果。引入GRIC测度来检测匹配数据的拟合模型,推导了GRIC测度拟合单应矩阵模型和基本矩阵模型的误差方程。模拟数据和真实影像数据实验表明,GRIC测度比利用误差大小来检测拟合模型更加可靠,可以更有效地剔除误匹配点。     

一种基于激光测距仪的扫描匹配方法

扫描匹配是移动机器人定位和环境构图的关键问题之一,通过计算使相邻扫描重叠度最大的最优变换,从而估算相邻时刻的运动量。ICP算法是目前应用最广泛的扫描匹配算法,针对其对离群扫描点和稀疏扫描点敏感的问题,文中提出一种基于连通格序列的方法对扫描数据进行预处理,从而为扫描匹配提供较为理想的输入条件。此外,针对对应关系中一对多和对应距离极端大的问题,文中通过建立唯一对应,并基于四分位数法计算对应距离的上截断点进行剔除,从而避免建立一对多对应,并减少距离极端大的对应。实验结果表明,文中方法能够剔除扫描中的离群点与稀疏点,并改善ICP算法在实际应用中的扫描匹配表现。     

基于SIFT的宽基线立体影像密集匹配

提出基于对极几何和单应映射双重约束及SIFT特征的宽基线立体影像多阶段准密集匹配算法。算法包括三个阶段：①基于特征点的空间分布和信息熵选取一定数量的最优SIFT特征点集并进行最小二乘初始稀疏匹配及立体像对的基本矩阵和单应矩阵估计;②对于其余特征,利用同名核线倾斜角及SIFT特征的尺度信息对匹配窗口的仿射变换参数进行迭代优化及变形改正、提取仿射不变SIFT特征描述符,并基于双重约束信息及欧氏距离测度进行匹配;③考虑宽基线立体影像较低的特征提取重复率,对第②步左右影像中未能成功匹配的特征点,基于双向搜索策略,采用基于盒滤波加速计算的SSD测度在变形改正后的双重约束区域中进行匹配,并对匹配结果进行加权最小二乘拟合定位。实际的宽基线立体影像试验结果证明了算法的有效性,可为后续的三维重建提供较为可靠的密集或准密集匹配点。     

SIFT特征匹配旋转补偿的影像匹配方法

本文针对较大旋转角度影像的匹配问题,提出一种基于SIFT特征匹配旋转补偿的影像匹配方法.即采用SIFT特征匹配方法估计影像问的旋转角度,对匹配窗口影像进行旋转补偿,最后采用带核线几何约束条件的相关系数法寻找同名点.在每层金字塔,采用带模型连接条件的相对定向来删除错误匹配点.通过对一组实际航摄影像进行试验,验证了所提出方...     

图论算法的无人机影像匹配特征点粗差剔除

无人机影像匹配过程中，粗差是不可避免的，因此，获取稳健性较高的特征点进行无人机影像匹配至关重要。传统的方法是采用经典的RANSAC算法进行粗差剔除，该算法受抽样次数、误差阈值的影响，还会残存部分误匹配的特征点。利用图论原理，对SIFT算法提取的特征点进行预处理，通过构建特征点的能量函数剔除能量较低的特征点，可以提高匹配特征点的稳健性，减少特征点的粗差。本文提出了一种新的方法，将图论算法与经典的RANSAC算法相结合进行粗差剔除。该方法命名为GSIFT-RANSAC算法，利用该算法可以提高特征点的稳健性，获取高精度的单应矩阵。采用两组无人机影像进行验证，本文提出的算法与单独利用图论剔除特征点的算法相比，粗差剔除率分别提高了5.31%和14.29%，说明该方法效果较好。