图像匹配

图像匹配论文

多传感器辅助的快速图像匹配算法 李自豪

SIFT(Scale Invariant Feature Transformchi尺度不变特性变换)算法在尺度空间中使用邻域梯度信息对特征进行提取和描述。使得SIFT特征对图像的旋转、缩放和噪声干扰甚至仿射变换都具有较好的鲁棒性。但计算量大,难以满足系统的高实时性要求。

角点检测算法是一种常用的图像特征提取算法,常用的有Moravec、Harris、FAST、Forstner、SUSAN。角点检测算法能够快速检测图像中角点特征,因而将角点检测算法与SIFT特征描述符结合称为近年来图像匹配研究的热点。

FAST(Features from Accelerated Segment Test)由Rosten和Drummond于2006年提出的一种简单、快速的角点检测算法,通过该算法可以快速确定出角点,使特征提取达到毫秒级别。

RANSAC(随机抽样一致性算法 Random Sample Consensus)根据一组包含异常数据的样本数据集,计算出数据的数学模型参数,得到有效样本数据的算法。它于1981年由Fischler和Bolles最先提出

RANSAC算法的基本假设是样本中包含正确数据(inliers,可以被模型描述的数据),也包含异常数据(outliers,偏离正常范围很远、无法适应数学模型的数据),即数据集中含有噪声。这些异常数据可能是由于错误的测量、错误的假设、错误的计算等产生的。同时RANSAC也假设,给定一组正确的数据,存在可以计算出符合这些数据的模型参数的方法。


灰度图像匹配的快速算法

罗钟炫

已有的图像匹配算法可分为两类:基于图像几何特征的匹配和基于像素灰度值的匹配。前者是利用空间位置相对不变的景物特征(如边缘、角点等)进行匹配,其优点是计算量小;但基于目前的特征提取手段,只能对几何特征单一且明确的图像有效,而处理复杂图像时往往难尽人意;后者具有匹配精度高的优点,且可以通过其他算法提高运算速度。

你可能感兴趣的:(图像匹配)