自适应阈值的基础矩阵估计算法

针对RANSAC算法在估计基础矩阵过程中需要人为设定阈值的问题,该文提出一种自适应阈值的基础矩阵估计算法。该算法首先引入ORSA算法,计算内点集以及基础矩阵,随后将得到的内点集与基础矩阵作为最小中值算法的初始值做进一步加权优化,在保证基础矩阵估计精度的前提下得到更好的内点集。其中,利用ORSA算法估计时通过计算误匹配警报数(NFA)值评判估计精度,舍去了RANSAC算法中人为设定阈值的步骤;利用最小中值算法加权优化的过程中采用最小化误差中值的方式,避免人为设定阈值。实验结果显示,该算法在保证基础矩阵估计精度的同时,能够获得最佳的内点集,且具有一定的抗噪声能力。     

一种基于Harris-Sift引导LK光流约束的特征点匹配算法

提出了一种基于Harris-Sift特征点引导LK光流约束的图像匹配算法。算法首先检测图像的HarrisSift特征点,利用双向互匹配的最邻近搜索算法进行粗匹配;然后利用Ransac算法鲁棒估计两视图单应矩阵,利用单应矩阵引导LK光流法寻找局部最优匹配点,以获取更多更精确的匹配点;最后利用极线约束剔除外点。实验结果表明,该算法能够在降低外点概率的同时有效提高匹配点的数量,并能节省运算时间。     

面向城区宽基线立体像对视角变化的结构自适应特征点匹配

提出一种基于结构自适应特征的城区宽基线影像特征点匹配方法。首先，对影像提取点特征和直线特征，挖掘点特征与其邻域内直线特征之间的几何关系，构建结构自适应的特征区域和特征描述符，并通过双向匹配策略获得初始匹配结果。然后，基于初匹配结果估计影像基础矩阵，构建核线约束的结构自适应特征匹配算法进行二次匹配。最后，将已匹配特征作为控制基础设计匹配扩展算法，进一步增加匹配点数量。本文方法以特征点邻域几何结构为出发点，构建自适应的特征区域，能够在显著的影像视角变化下，为同名特征点提取影像内容一致的特征区域，进而获得相似的特征描述符。试验结果证明，与传统算法相比，本文方法在城区宽基线影像上能够同时获得更多的正确匹配特征和更高的匹配正确率。     

光流特征聚类的车载全景序列影像匹配方法

提出一种光流特征聚类的车载全景序列影像匹配方法.采用非参数化的均值漂移特征聚类思想,以SIFT多尺度特征匹配点的位置量和光流矢量,构建了影像特征空间的空域和值域;利用特征空间中对应的显著图像光流特征为聚类条件,实现了全景序列影像的匹配;最后以全景极线几何约束为条件进行粗差的剔除.通过相同、不同内点率以及不同数据的试验对比分析,本文方法在匹配正确点数和正确率方面要优于经典的Ransac法和金字塔Lucas-Kanade光流法,尤其在场景复杂造成的低内点率情况下,算法表现较为稳定,并可较好地剔除由重复纹理、运动物体、尺度变化等产生的匹配点粗差.     

一种改进RANSAC的基础矩阵估计方法

针对随机抽样一致性算法估计基础矩阵存在效率低并且估计的精度依赖于抽样质量的问题,提出了一种改进RANSAC的基础矩阵估计算法。该算法采用预检验技术减少计算时间,在计算过程统计每对匹配点被标记为内点的次数,选择被判断为内点次数较多的集合构成候选集合来指导下一次抽样。下一次样本选择在候选集合中完成,并根据当前计算结果更新候选集合。最后选择包含内点数量最多的集合作为内点集。模拟数据和真实图像数据的实验结果表明,本文算法在误匹配和高斯噪声存在的情况下,算法精度和效率都体现出较好的品质。     

联合空间信息的高光谱遥感协同表示动态集成分类算法

近年来,集成学习成为高光谱遥感影像分类的研究热点,尤其是动态集成算法根据测试样本的特征自适应地选择最佳分类器,其分类性能显著提升。然而现有的动态集成方法仅考虑测试样本与验证样本的光谱信息,忽略了高度规则化的高光谱遥感影像包含的丰富空间信息。为进一步提升高光谱遥感影像动态集成算法分类的准确性和可靠性,提出了联合空间信息的可变K邻域动态集成算法VKS(Variable K-neighborhood and Spatial Information)和联合自适应邻域空间信息的可变K邻域动态集成算法VKSA(Variable K-neighborhood with Shape-Adaptive)。两种算法第一阶段综合考虑分类器精度与相似度自适应地改变测试样本的K邻域,第二阶段分别设计固定窗口和自适应窗口的嵌入方式增加地物的局部空间近邻关系,充分利用高光谱遥感影像地物复杂的空间形态结构信息。实验部分采用3组通用的高光谱遥感影像数据对所提出算法的性能进行综合评价。结果表明相比于传统的动态集成算法,本文提出的联合空间信息的动态集成模型能显著提升分类精度,其中基于自适应窗口方式的VKSA算法明显优于基于...     

一种喀斯特地貌无人机遥感影像的快速匹配方法

针对喀斯特地貌地形起伏大、沟壑纵深、影像局部存在阴影,该地区无人机遥感影像匹配难度大,该文提出一种基于AKAZE特征和RANSAC算法的喀斯特地貌无人机遥感影像的快速匹配方法。该方法采用AKAZE特征检测算法提取喀斯特地貌无人机遥感影像的特征点,能够较为精简地描述出影像的特征,影像匹配时间缩短,匹配速度提高明显;由于预匹配存在错误点对,利用单应性矩阵的RANSAC算法进行精准匹配,剔除错误匹配点对,同时得到最优的单应性矩阵。实验结果表明,该方法的匹配耗时和匹配正确率较优于经典的SURF和BRISK算法,该匹配方法更适合于喀斯特地貌无人机遥感影像匹配。     

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。     

直升机电力巡检中电力线的自动提取

结合电力线在直升机航拍影像中的成像特性,提出了一种复杂自然背景中电力线的自动提取方法。首先,利用Ratio算子从复杂背景中检测出电力线边缘;然后把边缘转化成直线段,对出现断裂与欠连接的直线进行连接与合并;最后,从这些直线段中采样一些点集,利用随机一致性抽样算法(Ransac)从中选择尽可能少但足够的点来拟合成一根完整的电力线,并通过实验证明了该方法的有效性。     

基于同一场景3张影像的相机自标定算法

对普通CCD数字相机获得的同一场景的3张未标定影像依次进行Harris角点提取、RANSAC算法估计基本矩阵、RANSAC算法估计三焦点张量,以获得同一参考系统下3个投影矩阵,最后进行相机自标定处理,从而获得相机的内部参数,为下一步多张影像的自标定和3维场景的自动重建和量测奠定了基础。实验结果表明,所述的同一场景3张影像的相机自动标定综合算法是正确有效的。