-
题名图像匹配中KNN与RANSAC相结合的改进算法
被引量：7
- 1
-
-
作者
廖武忠
-
机构
重庆工程学院软件学院
-
出处
《实验技术与管理》
CAS
北大核心
2021年第11期223-226,共4页
-
基金
重庆市教委科学技术研究项目(KJQN201801906)。
-
文摘
文章提出一种将KNN与RANSAC相结合的改进算法。通过获取最近邻与次近邻值并根据双向匹配原则,设计匹配不相关性的衡量因子,对KNN算法进行了改进;对RANSAC算法的代价函数和抽样规则进行了改进;最后将两种算法相结合,实现了速度快、自适应强,匹配精确的匹配算法。实验数据表明,该算法鲁棒性较强,自适应性较高,匹配速度较快。
-
关键词
图像匹配
K最近邻算法
ransac算法
SURF算法
自适应性
-
Keywords
image matching
K-nearest neighbor algorithm
ransac algorithm
SURF algorithm
adaptability
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于AGAST-BRIEF的图像匹配融合算法
- 2
-
-
作者
谷学静
刘艳佳
周记帆
肖军发
-
机构
华北理工大学电气工程学院
唐山市数字媒体工程技术研究中心
-
出处
《仪表技术与传感器》
CSCD
北大核心
2024年第10期78-83,110,共7页
-
基金
唐山市沉浸式虚拟环境三维仿真基础创新团队项目(18130221A)。
-
文摘
针对传统算法AGAST在图像处于复杂场景条件下进行图像检测时,造成图像匹配结果精度低和实时性差等问题,提出一种基于AGAST-BRIEF的图像匹配融合算法。首先,利用高斯滤波对图像进行预处理,实现去除图像噪声干扰,保留图像边缘信息的效果,通过AGAST与尺度空间理论相结合进行特征提取;然后,使用BRIEF描述子对图像中的关键点进行描述,提高特征匹配效率;最后,采用FLANN算法得到初次匹配对,使用GMS与改进的RANSAC算法对初次匹配结果进行二次筛选,得到图像特征精匹配。实验结果表明:所提算法相较于SIFT、AKAZE、KAZE算法匹配准确率提高,匹配运行时间最短,具有良好的鲁棒性。
-
关键词
图像匹配
快速最近邻逼近搜索函数库(FLANN)
自适应通用加速分割检测(AGAST)
二进制鲁棒独立基本特征(BRIEF)
基于网格的运动统计(GMS)
随机抽样一致算法(ransac)
-
Keywords
image matching
FLANN
AGAST
BRIEF
GMS
ransac
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名自动图像拼接中的一种特征提取和匹配方法
被引量：5
- 3
-
-
作者
张静
严壮志
邵世杰
王牧云
王黎明
-
机构
上海大学通信与信息工程学院．上海
-
出处
《应用科学学报》
CAS
CSCD
北大核心
2008年第3期288-294,共7页
-
基金
上海教育发展基金(No.05AZ53)
上海市重点学科建设(No.T0102)资助项目
-
文摘
在比较目前特征提取和匹配的几种方法的基础上,提出了一种基于改进特征提取和匹配的拼接方法,使得图像拼接的质量和速度得到提高.该算法首先利用改进的尺度不变特征变换(scale invariant feature transform,SIFT)特征提取方法获得图像特征点,其次利用近似最近邻匹配进行特征匹配并引入随机抽样一致性(random sampleconsensus,RANSAC)算法去除误匹配对,最后根据匹配的特征点对得到的图像间的变换参数进行拼接和融合.该算法具有很强的鲁棒性,允许图像有缩放变换、旋转变换,不受图像噪声、色差的影响.实验证明,该方法可实现高质量快速的图像拼接.
-
关键词
图像拼接
尺度不变特征变换
近似最近邻匹配
随机抽样一致性
-
Keywords
image mosaic, scale invariant feature transform, approximate nearest neighbor matching, random sample consensus
-
分类号
TN925.93
[电子电信—通信与信息系统]
TP393.17
[自动化与计算机技术—计算机应用技术]
-
-
题名HOG-FLANN在图像匹配ORB算法中的应用
被引量：2
- 4
-
-
作者
杨雷
唐瑞尹
张怡
-
机构
华北理工大学电气工程学院
北华航天工业学院电子与控制工程学院
-
出处
《机械设计与制造》
北大核心
2022年第10期67-70,共4页
-
基金
国家自然科学基金资助项目(61803154)。
-
文摘
针对ORB算法在图像匹配中特征点的提取会存在一些不稳定边缘点,为了提高ORB特征点匹配的准确性,提出了使用方向梯度直方图(HOG)描述符与快速最近邻逼近搜索函数库(FLANN)相结合的匹配算法。本算法通过移动的HOG窗口对图像中的局部窗口进行初步匹配,然后在HOG窗口的约束下通过使用FLANN对ORB特征点进行图像预匹配,最后采用随机采样一致性(RANSAC)对错误的匹配点进行剔除实现图像的精确匹配。经实验测得本文算法的预匹配准确率由原来的89%提高到了94%,实验结果表明采用HOG窗口与FLANN相结合的匹配算法可以有效的提高ORB特征点预匹配的准确率,并具有较好的稳定性。
-
关键词
ORB算法
图像匹配
方向梯度直方图(HOG)
快速最近邻逼近搜索函数库(FLANN)
随机采样一致性
-
Keywords
ORB Algorithm
Image Matching
Histogram of Oriented Gradient
Fast Library for Approximate Nearest Neighbors
Random Sample Consensus
-
分类号
TH16
[机械工程—机械制造及自动化]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名鲁棒KAZE算法的SAR图像配准
被引量：4
- 5
-
-
作者
吴鹏
于秋则
闵顺新
逄博
-
机构
武汉大学电子信息学院
-
出处
《科学技术与工程》
北大核心
2016年第28期101-109,共9页
-
基金
国家863计划(2015AA7123050)
国家自然科学基金(61174196)
深圳市科技计划项目(合同编号:JCYJ20150513162829635)资助
-
文摘
针对传统的SIFT算法及其改进算法在多波段SAR图像匹配性能低下,对非线性扩散滤波的KAZE特征检测算法分别从构建尺度空间和特征点检测两个方面进行改进,来提高多波段SAR图像匹配性能。尺度空间构建方面:提出采用高斯引导滤波取代KAZE算法中的非线性扩散滤波,充分利用高斯引导滤波的算法实时性、尺度不变性和良好的边缘保持性来克服非线性扩散滤波构建尺度空间的算法耗时较高的问题。特征点检测方面:提出采用引入指数加权均值比例算子(ROEWA)结合多尺度Harris角点检测的改进方法,充分利用ROEWA算子抑制相干斑噪声和多尺度Harris算子计算简单、旋转、尺度不变等优点,克服了传统的梯度差分方法检测SAR图像特征点时在SAR图像强散射纹理区造成大量错误率。描述符构建阶段,在梯度比例图像上采用原始的KAZE算法相同原理构建MSURF描述符。最后通过最近邻匹配和一致性倒数(RANSAC)进行错误匹配剔除。实验结果表明本文提出的改进KAZE算法应用于SAR图像配准优于原始KAZE特征算法。
-
关键词
多波段合成孔径雷达(SAR)
尺度空间
高斯引导滤法(KAZE)
引导滤波
指数加权均值比例算子(ROEWA)
多尺度Harris
最近邻匹配和一致性倒数(ransac)
-
Keywords
multi-band SAR scale space KAZE algorithm guided filter ROEWA multiharris ransac
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名电力设备异源点云层次化配准方法
被引量：4
- 6
-
-
作者
刘庆臻
刘亚东
严英杰
邓军
姜骞
江秀臣
-
机构
上海交通大学电气工程系
南网超高压公司检修试验公司
-
出处
《高电压技术》
EI
CAS
CSCD
北大核心
2022年第8期2961-2971,共11页
-
基金
国家重点研发计划(2019YFE0102900)。
-
文摘
在3维空间内对电力设备进行状态评估与故障诊断已成为当前电网重点发展方向,异源点云配准技术是其关键环节。针对当前电力设备异源点云配准存在尺度差异大以及离群点多的问题,提出了由粗至精的异源点层次化云配准方法。首先利用提出的连线比例不变性尺度估计方法精确估计点云间的尺度差异,将异源点云恢复到相近尺度,级联随机采样一致性(random sampling consensus,RANSAC)方法得到粗配准点云,进而使用提出的最近邻点集采样一致性与自适应鲁棒匹配方法对异源点云进行精配准,最终得到异源点云间的精确变换矩阵。实验结果表明,该文提出的异源点云配层次化方法在测试所用电力设备异源点云数据集上,点云配准前后尺度估计误差分别为0.198和0.0092,配准后旋转、平移误差分别为1.95°和0.009m,均低于当前广泛研究的SAC-IA+ICP配准框架和TEASER方法。
-
关键词
电力设备
异源点云配准
尺度估计
最近邻点集采样一致性
鲁棒匹配
-
Keywords
power equipment
cross-source point cloud registration
scale estimation
nearest-neighbor sampling consensus
robust fitting
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TM50
[电气工程—电器]
-
