影像同名点匹配的SIFT算法与贝叶斯抽样一致性检验

为提高影像匹配的稳健性,引入基于SIFT特征匹配的贝叶斯抽样一致性算法(Bayes sample consensus,BAYSAC),提出基于随机概率U(0,1)、基于像点到像片中心距离比值和基于影像重叠度的3种正确点先验概率估计方法,并根据相似性原理简化了贝叶斯公式,用于更新正确点概率。以SIFT算法为基础,结合贝叶斯抽样一致性算法,对不同的正确点概率估计方法进行了试验。试验结果表明,改进后的算法减少了迭代次数,从而减少了计算时间。同时,它能剔除更多的误匹配,并保留更多的正确匹配,从而提高匹配正确率。     

利用贝叶斯抽样一致性的点云特征面拟合

针对传统随机抽样一致性算法在拟合特征面时对种子点的选择具有一定的随机性,造成循环次数过多、效率低下的问题,该文提出一种改进的随机抽样一致性算法——贝叶斯抽样一致性算法。首先建立柱面、球面、圆环面、平面的数学模型;然后用贝叶斯抽样一致性算法提高抗噪性,并用二维直方图统计方法对贝叶斯抽样一致性算法中的局内点先验概率估计进行改进;最后,对局内点用非线性最小二乘进行拟合。将该方法与基于随机抽样一致性算法的特征面拟合方法进行了对比和分析,实验结果证明,贝叶斯抽样一致性算法能够更高效地实现局部特征面拟合。