基于SURF特征的高动态范围图像配准算法

合集下载

基于改进SURF算子的高低分辨率图像配准方法

（１．ＤｅｐａｒｔｍｅｎｔｏｆＯｐｔｉｃａｌａｎｄＥｌｅｃｔｉｒｃａｌＥｑｕｉｐｍｅｎｔ，ｔｈｅＡｃａｄｅｍｙｏｆＥｑｕｉｐｍｅｎｔ，Ｂｅｉｊｉｎｇ１０１４１６，Ｃｈｉｎａ；２．ＣｏｍｐａｎｙｏｆＰｏｓｔｇｒａｄｕａｔｅＭａｎａｇｅｍｅｎｔ，ｔｈｅＡｃａｄｅｍｙｏｆＥｑｕｉｐｍｅｎｔ，Ｂｅｒｉｎｇ１０１４１６，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｄｕｅｔｏｔｈｅｌａｒｇｅｒｅｓｏｌｕｔｉｏｎｄｉｆｆｅｒｅｎｃｅｂｅｔｗｅｅｎｔｈｅｔｈｒｅｅ — ｄｉｍｅｎｓｉｏｎａｌｌａｓｅｒｉｍａｇｉｎｇｓｅｎｓｏｒａｎｄｖｉｓｉｂｌｅｉｍａ — ｇｉｎｇｓｅｎｓｏｒ，ｍｉｓｍａｔｃｈｉｎｇｆｅａｔｕｒｅｐｏｉｎｔｓａｒｅｎｕｍｅｒｏｕｓ．Ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｉｓｐｒｏｂｌｅｍ，ａｒｅｇｉｓｔｒａｔｉｏｎｍｅｔｈｏｄｏｆｈｉｇｈ－ｌｏｗｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＳＵＲＦｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｌｏｗ— ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｉｓｐｒｏｃｅｓｓｄｅｔｈｒｏｕｇｈｂｉｌｉｎｅａｒｉｎ —

基于SURF的图像配准改进算法

第３９卷第１期２０１６年２月
长春理工大学ｈｕｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）
Ｖｏ１．３９Ｎｏ．１Ｆｅｂ．２０１６
基于ＳＵＲＦ的图像配准改进算法
灰度和基于特征的两类，其中，基于特征检测的方法
基于ＳＵＲＦ的图像配准技术能够较为准确地匹
研究较多，近年来取得了飞速的发展，具有计算简配上两幅图像的相似部分，但是，由于描述特征点时
单、精度高等特点。Ｄ．Ｇ．Ｉｏｗｅ等人在１９９９年提出使用的是特征点周围像素的信息，所以当两幅图像
张凤晶，王志强，吴迪，于光
（空军航空大学航天航天情报系，长春１３００２２）
摘要：为了更好地在保证图像配准的速度前提下，提高配准的精度，本文提出一种新的基于ＳＵＲＦ的图像配准改进算
法改进算法将单向匹配与方向一致性约束两者结合起来，先对待配准图像进行单向匹配，再计算出各个匹配点对之间的
目前，图像配准技术已经被广泛应用于计算机视觉、简化计算，大大降低了检测特征点的计算量，并且它
遥感数据分析、全景图像拼接、医学诊断与辅助治对图像的平移、旋转、缩放等变化具有良好的不变
疗、虚拟现实等领域。图像配准方法主要分为基于性，进一步提高了ＳＩＦＴ算法的性能。
图像配准是指对初始位置不同的两幅图像，将分析、总结多种特征检测方法的基础上，提出了

基于SURF的图像配准方法研究

１６２红外与激光工程第３８卷进一步求解得到Ｈｅｓｓｉａｎ矩阵的△表达式１１６］：Ａ（日）＝Ｄ。

Ｄ咿一（Ｏ．９Ｄ叫）（２）用类似ＳＩＦＴ的方法构建尺度图像金字塔，在每（ａ）Ｘ方向（ｂ）Ｙ方向（ｃ）ｘｙ方向（ａ）』ｄｉｒｅｃｔｉｏｎ（ｂ）Ｙｄｉｒｅｃｔｉｏｎ（ｃ）ｘｙｄｉｒｅｃｔｉｏｎ图２９ｘ９方框滤波模板Ｆｉｇ．２Ｂｏｘｆｉｌｔｅｒｗｉｔｈ９ｘ９一阶中，选择４层的尺度图像，４阶的构建参数如图３所示。

灰色底的数字表示方框滤波模板的大小，如果图像尺寸远大于模板大小，还可继续增加阶数。

如滤波模板大小为ＮｘＮ，则对应的尺度ｓ：１．２ｘＮ／９；用Ｈｅｓｓｉａｎ矩阵求出极值后，在３ｘ３ｘ３的立体邻域内进行非极大值拟制，只有比上一尺度、下一尺度及本尺度周围的２６个邻域值都大或者都小的极值点，才能作为候选特征点，然后在尺度空间和图像空间中进行插值运算［１８ｌ，得到稳定的特征点位置及所在的尺度值。

ＦｏｒｅＢｃｈ证ｃｗｏｃｔａｖｅ．ｔｈｅｆｉｌｔｅｒｇｉｚｃｉｌａｅｆｅａ，￥ｅ．璺昱《∞２了４Ｏｃｔａｖｅ图３尺度空间金字塔方框滤波的大小Ｆｉｇ．３Ｓｉｚｅｏｆｂｏｘｆｉｌｔｅｒｉｎｓｃａｌｅｓｐａｃｅ１．２主方向确定为保证旋转不变性，首先以特征点为中心，计算半径为６ｓ（ｓ为特征点所在的尺度值）的邻域内的点在工、Ｙ方向的Ｈａａｒ小波（Ｈａａｒ小波边长取缸）响应，并给这些响应值赋高斯权重系数，使得靠近特征点的响应贡献大，而远离特征点的响应贡献小，更符合客观实际；其次将６００范围内的响应相加以形成新的矢量，遍历整个圆形区域，选择最长矢量的方向为该特征点的主方向。

这样，通过对１．１节的特征点逐个进行计算，得到每一个特征点的主方向。

１．３描述子形成以特征点为中心，首先将坐标轴旋转到主方向，按照主方向选取边长为２０ｓ的正方形区域，将该窗口区域划分成４ｘ４的子区域，在每一个子区域内，计算５ｓｘ５ｓ（采样步长取Ｓ）范围内的小波响应，相对于主方向的水平、垂直方向的Ｈａａｒ小波响应分别记做ｄ。

基于SURF的图像配准技术可行性研究.doc

基于SURF的图像配准技术可行性研究-摘要：当前基于特征的图像配准算法较多，而SURF算法由于其性能优越和运算效率较快，被众多学者广泛应用于图像匹配算法的研究中。

在图像匹配算法研究的基础上，通过比较SURF算法和Harris算法在通用型、计算效率和配准精度三个方面的差异，验证SURF算法在图像配准应用中的可行性。

实验结果及数据表明基于SURF的图像配准技术不仅能够适用于不同条件下的图像变化，并且可以实现快速、精确的图像配准。

关键词：SURF; Harris; 计算效率; 配准精度Feasibility Research of image registration technology based on SURFGU Da?long（Beijing Aerospace Control Center，Beijing 100094，China）Abstract：Currently，there are many image registration algorithms based on characteristic. However，the SURF algorithm is widely used in the research of image matching by many scholars because of its superior performance and fast computational efficiency. On the basis of the research of image matching algorithm，the feasibility of the SURF applied to the image registration is confirmed in this paper by means of comparing the differences of universality，computational efficiency and registration precision between SURF and Harris. The experimental results and data indicate the image registration technology based on SURF not only can apply to image changes under differentconditions，but also achieve the fast and accurate image registration.Keywords：SURF; Harris; computational efficiency; registration precision0 引言图像配准是图像处理中的一个非常关键的技术，其广泛应用于医学、军事、遥感及计算机视觉等领域，比如军事领域中的目标毁伤效果评估，图像配准技术是实现及时、准确获取目标打击前后信息的关键步骤。

SURF算法在图像处理中的应用

SURF算法在图像处理中的应用SURF算法是一种被广泛应用于计算机视觉领域的算法，其全称是Speeded Up Robust Features。

它是一种特征提取算法，可以在图像中检测出具有特殊性质的关键点，并生成具有鲁棒性的特征描述子。

这些特征可以用于识别相似的图像，比较相似度，并在图像配准、图像跟踪、三维重建等领域中发挥重要作用。

本文将探讨SURF算法在图像处理中的应用。

一、 SURF算法的原理SURF算法是基于SIFT算法的一种改进，它的主要优势在于速度更快、鲁棒性更强。

下面简单介绍SURF算法的原理。

1. 尺度空间构建SURF算法首先对原始图像进行尺度变换，通过高斯金字塔来构建尺度空间。

尺度空间的不同层次可以检测到不同大小的特征。

通过不同层次检测的关键点可以估计出原始图像中的关键点，这个过程被称为尺度空间极值点检测。

2. 关键点定位在尺度空间中，SURF算法通过Hessian矩阵的行列式求解得到图像局部极值点位置，这些点是具有高强度、对光照变化鲁棒等性质的关键点。

3. 方向确定为了使SURF算法对旋转和光照变化更加鲁棒，需要为每个关键点确定一个主方向，这个方向是在关键点周围采用Hessian矩阵主方向确定的。

4. 特征描述为了描述关键点的局部特征，SURF算法使用了一种统计学上的方法，即将关键点周围的区域分解成小的子区域，每个子区域在水平和竖直方向上计算Haar小波变换，形成特征向量。

这些特征向量组成的特征描述子具有鲁棒性，可以用来评估关键点的稳定性。

5. 特征匹配在进行图像匹配时，SURF算法使用了一种快速的近似最近邻搜索方法，称为快速最近邻搜索（FLANN）。

它可以在大规模的特征库中快速找到与查询特征最相似的特征。

二、 SURF算法可以被广泛应用于图像处理中，下面介绍一些应用领域。

1. 图像配准SURF算法可以被用来匹配两幅图像之间的关键点，通过计算两幅图像中关键点的相似度来实现图像配准。

基于改进SURF的快速图像配准算法

０引言
算法，利用扩散距离代替欧氏距离进行匹配，利用随机抽样
一
图像配准是图像处理过程中的关键技术，在目标识别、图像拼接、变化检测、目标跟踪、三维重建等领域得到了广
致（ＲＡＮＳＡＣ）算法从候选匹配中排除错误的匹配。文
Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｐｒｏｂｌｅｍｏｆｐｏｏｒｒｅａｌ — ｔｉｍｅａｎｄｆａｌｓｅｍａｔｃｈｉｎｇｏｆｉｍａｇｅｓｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｓｐｅｅｄ
中图分类号：ＴＰ３９１．４１文献标识码：Ａ文章编号：１０００－－９７８７（２０１７）１１０１－５１０３－
ＦａｓｔｉｍａｇｅｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＳＵＲＦ
进行筛选，采用改进的快速近邻搜索算法进行特征匹配，到用随机抽样一致（ＲＡＮＳＡＣ）算法剔除误匹配
对。实验表明：改进后的算法有效改善了匹配效率，提高了匹配准确度。关键词：加速鲁棒特征；图像熵；最近邻搜索；图像配准
ＨＵＭｉｎ— ｔａｏ，ＰＥＮＧＹｏｎｇ，ＸＵＹｕｎ
（ＳｃｈｏｏｌｏｆｌｎｔｅｒｎｅｔｏｆＴｈｉｎｇｓＥｎｇｉｎｅｅｒｉｎｇ，ＪｉａｎｇｎａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｘｉ２１４１２２，Ｃｈｉｎａ）

基于SURF的图像配准与拼接技术研究共3篇

基于SURF的图像配准与拼接技术研究共3篇基于SURF的图像配准与拼接技术研究1近年来，图像配准与拼接技术已经成为了数字图像处理的重要研究方向之一。

在许多应用领域中，例如遥感影像、医学影像、三维建模等，图像配准与拼接技术已经得到了广泛的应用。

随着计算机视觉技术的不断发展，图像配准与拼接技术也在不断的完善和提高。

其中一种最具有代表性的图像配准与拼接技术就是基于SURF的图像配准与拼接技术。

SURF（Speeded-Up Robust Features）是一种高效的图像特征提取算法，它可以在保证特征点数量和质量的同时，提高提取速度。

利用SURF算法提取的特征点几乎不受图像缩放、旋转、平移等变换的影响，具有较好的鲁棒性和准确性。

基于SURF算法的图像配准与拼接技术，可以较好地解决图像缩放、旋转、平移等问题，为数字图像处理提供了更好的技术保障。

在基于SURF的图像配准与拼接技术中，首先需要选取参考图像和待配准图像。

然后，利用SURF算法对两幅图像提取特征点，并进行特征点匹配。

通过对特征点的匹配，可以找到两幅图像之间的几何变换关系。

接下来，可以利用图像配准技术对待配准图像进行校正对准，从而使其与参考图像达到一致。

最后，可以利用图像拼接技术将校正后的待配准图像与参考图像进行拼接，得到最终的拼接结果。

其中，特征点匹配是图像配准与拼接的关键步骤之一。

SURF算法的特征点匹配策略使用的是一种特殊的描述子匹配算法——KD树。

KD树是一种数据结构，在高维空间中构建KD树，可以实现高效的最近邻搜索。

通过KD树可以快速地找到两幅图像中距离最近的特征点，并将其匹配起来。

通过特征点的匹配，可以计算出两幅图像之间的变换关系，并对待配准图像进行校正对准。

除了特征点匹配外，还有一些其他的关键步骤也需要注意。

例如，在图像配准中，需要对待配准图像进行坐标转换，从而使得其与参考图像的坐标系一致。

在图像拼接中，需要实现拼接过程中的图像去重、光照一致性等问题。

基于SURF特征的高动态范围图像配准算法

基于SURF特征的高动态范围图像配准算法葛成;胡福乔;赵宇明【摘要】同一场景的多曝光图像序列被广泛的应用于高动态范围图像(High Dynamic Range Image)的合成中.但是,在多曝光图像序列的采集过程中,相机抖动、场景运动等因素会对合成图像的质量产生较大的影响.此外,离镜头较近的大目标往往由于显著的三维形状,在序列图中产生较大的视差效应,也会对合成图像产生消极影响.该文提出一种基于SURF特征点的三维图像配准算法,实验证明该算法在近距离大目标情形下较之传统配准算法MTB(Mean Threshold Bitmap,均值二值化)可以获得更好效果.【期刊名称】《微型电脑应用》【年(卷),期】2010(026)002【总页数】3页(P8-9,17)【关键词】图像配准;HDR;SURF;MTB【作者】葛成;胡福乔;赵宇明【作者单位】上海交通大学自动化系,上海200240;上海交通大学图像处理与模式识别研究所,上海200240;上海交通人学图像处理与模式识别研究所,上海200240【正文语种】中文【中图分类】TP391.410 引言近年来，高动态范围图像合成（High Dynamic Range Image Composition）技术获得了长足发展。

真实世界场景往往具有很高的动态范围，而传统数码照相机由于只具有有限的位深度，难以捕捉到完整的动态范围。

一个弥补措施是通过拍摄多张相同场景不同曝光度的图像并合成，间接恢复出完整的动态范围，再通过色调映射（tone mapping）算法，将高动态图像压缩显示在低动态范围显示部件上（如LCD，CRT），实现图像质量的提升。

1999年Debevec和Malik在文献[1]中描述了数码相机成像的基本过程。

在该模型中，相机的输出主要由两个因素决定。

其一是场景的光线辉度（Scene radiance），在短时摄影中基本保持不变。

另一因素是相机自身参数，在光圈、增益等一定时，主要由曝光时间决定。

SURF与FLANN算法结合的图像匹配方法

SURF与FLANN算法结合的图像匹配方法
SURF（Speeded Up Robust Features）是一种图像特征提取算法，FLANN（Fast Library for Approximate Nearest Neighbors）是一种快速最近邻搜索算法。

将这两种算法结合起来，可以实现高效准确的图像匹配。

图像匹配是指在一组图像中，找到与给定图像最相似的图像。

图像匹配在图像检索、
目标跟踪、增强现实等领域具有广泛的应用。

SURF算法对图像进行特征提取。

SURF算法通过检测图像中的关键点，并计算这些关键点的局部特征向量来描述图像。

SURF算法的特点是快速且具有稳定的鲁棒性，适用于各种图像变化情况。

接下来，FLANN算法将SURF提取的特征向量作为输入，构建一个近似最近邻搜索索引。

FLANN算法通过将特征向量映射到一个高维空间，并使用一种适合于高维空间的快速搜索
算法来找到与给定特征向量最相似的特征向量。

FLANN算法的特点是高效且具有较高的准
确性，适用于大规模的高维数据搜索。

通过计算匹配图像与给定图像之间的相似度，选取相似度最高的图像作为匹配结果。

相似度可以使用欧式距离、余弦相似度等度量方法进行计算。

选取相似度最高的图像作为
匹配结果，可以通过设置一个阈值进行筛选，只选择相似度超过阈值的图像。

图像匹配方法的优势在于可以处理图像的尺度、旋转、光照等变化，并具有较高的准
确性和鲁棒性。

将SURF与FLANN算法结合起来，不仅可以提高算法的速度和效率，还可以提高算法的准确性和鲁棒性。

这种图像匹配方法在实际应用中具有很大的潜力。

基于SURF的图像配准方法研究

半径为６ｓ（ｓ为特征点所在的尺度值）的邻域内的点在工、Ｙ方向的Ｈａａｒ小波（Ｈａａｒ小波边长取缸）响应，并给这些响应值赋高斯权重系数，使得靠近特征点的响应贡献大，而远离特征点的响应贡献小，更符合客观实际；其次将６００范围内的响应相加以形成新的矢量，遍历整个圆形区域，选择最长矢量的方向为该特征点的主方向。这样，通过对１．１节的特征点逐个进行计
１ＳＵＲＦ检测及描述
ＳＵＩ疆方法整体思想流程同ＳＩＦＩ’类似，但在整个过程中采用了与ＳＩＦＴ不同的方法。两者关键技术的对比如表ｌ所示。１．１特征检测
特征点的检测依然基于尺度空间理论。图像ｌ中ｘ＝Ｏ，Ｙ）处的点，在尺度盯上的Ｈｅｓｓｉａｎ矩阵定义为：
日＿ｉｕ？姒叫
（１）
【ｋ（工，盯）Ｌ。（Ｘ，盯）Ｊ
ｒｅｇｉｓｔｒａｔｉｏｎａｐｐｒｏａｃｈｂａｓｅｄｏｎＳＵＲＦｗａｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅｆｅａｔｕｒｅｐｏｉｎｔｓｗｅｒｅｅｘｔｒａｃｔｅｄｕｓｉｎｇＳＵＲＦａｎｄｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇｍａｔｃｈｉｎｇｐｏｉｎｔｓｗｅｒｅｆｏｕｎｄｕｓｉｎｇｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｍｅｔｈｏｄ；ｔｈｅｎｔｈｅｍａｐｐｉｎｇ
图像上，通过扩大方框的大小形成不同尺度的图像金字塔，９ｘ９的方框滤波模板值见图２，图中灰色部分模板值
为０，对应二阶高斯滤波ｏ＇＝－１。２、相应的尺度值ｓ＝庐１．２，方框滤波模板同图像卷积后的值分别为Ｄ。、％、Ｄ＂，
万方数据
１６２
红外与激光工程
第３８卷
进一步求解得到Ｈｅｓｓｉａｎ矩阵的△表达式１１６］：
第３８卷第１期Ｖ０１．３８Ｎｏ．Ｉ
红外与激光工程
ＩｎｆｒａｒｅｄａｎｄＬａｓｅｒＥｎｇｉｎｅｅｒｉｎｇ

基于SURF的图像配准改进算法

基于SURF的图像配准改进算法潘建平;郝建明;赵继萍【期刊名称】《国土资源遥感》【年(卷),期】2017(29)1【摘要】针对传统的加速鲁棒性特征(speeded-up robust features,SURF)算法在图像配准中的应用现状,结合图像分块策略和相对距离理论,提出一种基于SURF 的图像配准改进算法.通过图像分块策略改善提取特征点分布的均匀性;在SURF算法初匹配基础上,引用相对距离理论剔除异常匹配点,从而提高特征点匹配的精度和可靠性.选取覆盖重庆市沙坪坝实验区的QuickBird卫星数据,以特征点正确匹配率和均方根误差RMSE为量化指标,对所提出的SURF改进算法的图像配准效果进行验证.实验结果表明,改进后的SURF算法的特征点正确匹配率达到88％以上,高于传统SURF算法的76％.通过相对距离剔除误匹配点后,最终配准结果的RMSE达到2.69个像元,符合图像配准的基本需求(RMSE在2个像元左右),具有一定的应用推广价值.%In view of the study status of traditional speeded-up robust features (SURF) algorithm,an improved image registration algorithm based on SURF was proposed in combination with the image blocking strategies and the relative distance theory.The proposed algorithm can improve image uniformity of the feature distribution by image blocking strategy and increase the matching accuracy of the feature point through relative distance theory.With the quantitative indicators of correct feature point matching rate and RMSE,the authors selected the QuickBird satellite data of Shapingba District in Chongqing as the test area to verify the imageregistration results by using the improved algorithm based on SURF.The results show that the correct feature point matching rate of improved SURF algorithm reached 88％,higher than that of the traditional SURF algorithm (the rate is 76％).Excluding the mismatching points by relative distance,the RMSE of the final registration results reached 2.69 pixels.It meets the basic need of high-precision image registration (the RMSE is 2 pixels around),achieves the automation of remote sensing image registration and thus has some promotional value.【总页数】6页(P110-115)【作者】潘建平;郝建明;赵继萍【作者单位】重庆交通大学土木建筑学院,重庆400074;国家测绘局重庆测绘院,重庆400074;重庆交通大学土木建筑学院,重庆400074;国家测绘地理信息局第三地理信息制图院,成都610100;重庆交通大学土木建筑学院,重庆400074【正文语种】中文【中图分类】TP751.1【相关文献】1.基于改进Harris-SURF算子的遥感图像配准算法 [J], 李天佐;刘丽萍;孙学宏;余增增2.基于改进SURF算法的移动目标实时图像配准方法研究 [J], 巨刚;袁亮;刘小月;岳昊恩3.基于改进SURF的快速图像配准算法 [J], 胡旻涛;彭勇;徐赟4.基于改进的SURF图像配准算法研究 [J], 金斌英5.基于SURF的图像配准改进算法 [J], 袁丽英; 刘佳; 王飞越因版权原因，仅展示原文概要，查看原文内容请购买。

基于SURF特征匹配的图像拼接算法

刘奇, 何明一
710129) ( 西北工业大学电子信息学院 Байду номын сангаас息获取与处理陕西省重点实验室 , 陕西西安
摘要: 提出了一种了基于 SURF ( speed up robust features) 特征匹配的图像拼接算法。 SURF 方法是一种快速且鲁棒性较好的特征提取算法, 用该算法提取图像特征后, 使用改进 BBF ( best b in f irst) 的快速匹配算法来寻找图像间的匹配点; 用 L M 算法对单应性矩阵进行优化时, 本文提出使用梯度误差函数增强对光照变化的鲁棒性; 最后采用多分辨率融合方法进行图像融合, 有效地消除了拼接痕迹, 并保持较高的分辨率。实验结果验证了该算法的高效性 , 对存在旋转、尺度缩放、视角以及光照变化的图像都具有良好的效果。关键词 : SURF 特征匹配; 单应性矩阵 ; 图像拼接 ; 多分辨率融合中图分类号 : TP391 文献标识码: A 文章编号: 1000- 8829( 2010) 10- 0027- 05
收稿日期 : 2009- 12- 21 作者简介 : 刘奇 ( 1985 ), 男 , 山东济宁人 , 硕士研究生 , 主要研究方向为图像处理、计算机视觉、生物医学传感器技术 ; 何明一 ( 1958 ), 男 , 四川人 , 教授 , 博士生导师 , 实验室主任 , 主要研究方向为信息获取、处理与传输技术、光电探测与图像处理、智能信息处理以及三维测量技术。
的应用。基于特征的图像拼接重点在于特征提取, 其中由 L ow e 等人提出的 SIFT 算法是目前该领域比较流行的方法, 在图像配准、图像拼接、检索等领域被广泛采用。但 SIFT 算法也存在着检测和匹配速度慢、对视角变化较敏感等缺点。为此有人提出了 PCA [ 6] S IFT 和 GLOH 等改进算法, 但效果不太理想。近年 [ 7] 来由 Bay 等人提出的 SURF 算法 , 除在可重复性和鲁棒性方面优于现有方法外, 还能够获得较快的计算速度, 因此在实时物体识别、图像检索、图像拼接等方面有较大的应用价值。本文提出一种基于 SURF 特征匹配的图像拼接算法 , 首先使用 SURF 算法进行特征提取 , 使用改进的 BBF快速匹配算法得到图像间的初始匹配点; 然后使用 RANSAC 算法剔除误匹配, 并提出新的非线性优化方法求解单应性矩阵 , 对图像进行变换和配准 ; 最后使

基于SURF算法和SC-RANSAC算法的图像配准

图像配准是对同一场景在不同条件下（如不同的时间、拍摄环境、视场角、传感器等）得到的两幅或多幅图像进行对准、叠加的过程，是源于多个应用领域的实际问题，如计算机视
杨海燕，罗文超，刘国栋
（江南大学轻工过程先进控制教育部重点实验室，江苏无锡２１４１２２）
摘
要：提出了一种融合ＳＵＲＦ算法和ＳＣ — ＲＡＮＳＡＣ算法的图像配准方法。首先利用ＳＵＲＦ算法提取待匹配图
像的特征，然后用最近邻方法找出匹配点，最后运用ＳＣ — ＲＡＮＳＡＣ算法剔除错误的匹配点，实现图像的正确配准。实验结果表明，该方法在保持较高的特征点正确匹配率的前提下，配准速度高于ＳＵＲＦ和ＲＡＮＳＡＣ相结合的方
ＹＡＮＧＨａｌ — ｙａｎ，ＬＵＯＷｅｎ — ｃｈａｏ，ＬＩＵＧｕｏ — ｄｏｎｇ
（ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｄｖａｎｃｅｄＰｒｏｃｅｓｓＣｏｎｔｒｏｌｆｏｒＬｉｇｈｔＩｎｄｍｔ￣ｏｆＭｉ
第３０卷第５期
２０１３年５月 பைடு நூலகம்
计算机应用研究
ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ
Ｖ０１．３ＯＮｏ．５
Ｍａｖ２０１３

基于改进SURF算子的高低分辨率图像配准方法

基于改进SURF算子的高低分辨率图像配准方法曾朝阳;程相正;陈杭;宋一铄;窦晓杰;黄超【摘要】针对激光三维成像传感器与可见光传感器图像分辨率差异较大，配准过程中特征点误匹配情况严重的问题，提出了一种基于改进SURF算子的高低分辨率图像配准方法。

首先，采用双线性插值算法对低分辨率图像进行预处理，然后在经典SURF算子的基础上，采用最近邻向量匹配法完成SURF特征的粗匹配，并基于特征偏移一致性原则对匹配情况做进一步优化，最后结合RANSAC和最小二乘法求出图像之间的仿射关系，利用所求的变换参数插值得到配准后的图像。

实验结果表明，该配准方法在保持配准速度的同时，结构相似性测量指数提高了约11％，进一步提高了配准的精度。

%Due to the large resolution difference between the three-dimensional laser imaging sensor and visible ima-ging sensor,mismatching feature points are numerous.In order to solve this problem,a registration method of high-lowresolution images based on improved SURF is proposed.Firstly,low-resolution image is processed through bilinear in-terpolation.Subsequently,SURF feature′s coarse matching is completed by using the nearest neighbor vector based onthe classical SURF.The matching is further optimized according to feature shift coherence rule.Finally,affine relation-ship between the images is obtained by using SANSAC and least square method.The registration image is obtained byinterpolation based on affine transform parameters.The experiment shows that the proposed registration method cankeep the registration speed,structural similarity measure index is increased by about 11%,and meanwhile the accura-cy of registration is further improved.【期刊名称】《激光与红外》【年(卷),期】2014(000)002【总页数】6页(P207-212)【关键词】图像处理;高低分辨率配准;SURF;特征偏移一致性【作者】曾朝阳;程相正;陈杭;宋一铄;窦晓杰;黄超【作者单位】装备学院光电装备系，北京101416;装备学院研究生院，北京101416;装备学院研究生院，北京101416;装备学院研究生院，北京101416;装备学院研究生院，北京101416;装备学院研究生院，北京101416【正文语种】中文【中图分类】TP391.41三维重建、场景分析是机器视觉领域中一项关键性技术，在视觉导航、探测、识别等方面有着重要的应用。

SURF与FLANN算法结合的图像匹配方法

SURF与FLANN算法结合的图像匹配方法【摘要】本文介绍了一种基于SURF和FLANN算法结合的图像匹配方法。

首先分别介绍了SURF算法和FLANN算法的原理，然后详细阐述了SURF与FLANN算法结合的优势所在。

接着描述了实验设计与方法，并对实验结果进行了分析。

通过实验结果验证了这种结合方法的有效性和优势。

最后总结了本文的研究成果，并展望了未来的研究方向。

该方法在图像匹配领域具有重要的研究意义和应用价值，为提高图像匹配的准确性和效率提供了新的思路和方法。

【关键词】SURF算法、FLANN算法、图像匹配、结合、优势、实验设计、实验结果分析、总结、未来展望1. 引言1.1 背景介绍图像匹配是计算机视觉领域中的重要问题之一，其主要目标是在两幅或多幅图像中找到相同或相似的物体或场景。

在图像处理和计算机视觉任务中，图像匹配被广泛应用于目标识别、物体跟踪、图像配准等领域。

传统的图像匹配算法如SIFT（尺度不变特征变换）和SURF （快速可加速特征）在一定程度上取得了成功，但是它们在效率和准确度方面存在一定的局限性。

随着计算机视觉和深度学习技术的快速发展，基于特征的图像匹配算法越来越受到关注。

SURF（加速稳健特征）是一种采用Hessian 矩阵来检测兴趣点的快速特征提取算法，FLANN（快速库近似最近邻）是一种最近邻搜索库，可以快速找到最相似的特征点。

将SURF和FLANN这两种算法结合起来，可以在提高匹配速度的保持较高的匹配准确度，从而解决传统算法中的一些问题。

本文将研究SURF与FLANN算法结合的图像匹配方法，并探讨其在实际应用中的意义和优势。

1.2 问题提出在图像处理领域，图像匹配是一个具有挑战性的问题。

由于图像中可能存在旋转、尺度变化、视角变化等因素，传统的图像匹配方法在处理这些情况时表现不佳。

SURF（Speeded-Up Robust Features）和FLANN（Fast Library for Approximate Nearest Neighbors）是两种常用的图像处理算法，它们在图像匹配中具有一定的优势。

一种基于SURF特征提取的图像配准算法[发明专利]

专利名称：一种基于SURF特征提取的图像配准算法专利类型：发明专利
发明人：袁丽英,王飞越
申请号：CN201710775957.7
申请日：20170901
公开号：CN107689058A
公开日：
20180213
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于SURF特征提取的图像配准算法，采用盒子滤波和积分图像的概念，使用盒子滤波的方法来代替高斯二阶微分，在图像的尺度空间和位置空间搜索DoH(Determinant of Hessian)的局部极值，利用中间的特征点和它相同尺度的8个相邻点，上下相邻尺度对应的9*2=18个点共计26个点进行比较寻找极值点。

本发明得到参考图像与待配准图像间的特征点对，据此可以估算出两幅图像间的仿射系数，然后对待配准图像进行插值重采样，最终实现两幅图像的配准。

针对参考图像与待配准图像间的特征点对，利用最小二乘法对特征点对求解仿射矩阵，基于双线性插值实现图像间的配准。

申请人：哈尔滨理工大学
地址：150080 黑龙江省哈尔滨市南岗区学府路52号
国籍：CN
更多信息请下载全文后查看。

基于SURF和矩阵乘法的超大规模遥感图像亚像素配准算法研究

采用化整为零的方法，首先把整幅图像划分成不同区域，其次使用改进的Ｃａｎｎｙ算法进行边缘分割，去除无用信息，再次使用ＳＵＲＦ算法提取特征，最后在关键点周围使用矩阵乘法相位相关估计图像亚像素偏移量。实验表明本文提出的算法不仅提高了算法运行速度，同时也解决了图像尺寸太大导致一般计算机无法处理的问题。并且由于矩阵乘法相位相关的良好抗噪声特性，因此即使存在噪声，算法仍然可以获得较高的亚像素偏移量估计精度。关键词：图像配准；ＳＵＲＦ算法；矩阵乘法相位相关；亚像素中图分类号：ＴＰ７５１．１文献标识码：Ａ文章编号：１００１．８８９１（２０１７）０１．００４４ — ０９
Ｓｕｂ — ｐｉｘｅｌＲｅｇｉｓｔｒａｔｉｏｎｏｆＶｅｒｙＬａｒｇｅＳｃａｌｅＲｅｍｏｔｅＩｍａｇｅＢａｓｅｄｏｎＳＵＲＦａｎｄＭａｔｒｉｘＭｕｌｔｉｐｌｉｃａｔｉｏｎＡｌｇｏｒｉｔｈｍ
ｃｏｓｔｏｆｃａｌｃｕｌａｔｉｏｎｉｓｈｕｇｅ．Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｓｕｂ－ｐｉｘｅｌｒｅｇｉｓｔｒａｔｉｏｎａｌｇｏｒｉｔｈｍｏｆｖｅｒｙｌａｒｇｅｓｃａｌｅｒｅｍｏｔｅ
ＸＵＱｕａｎｆｅｉ，ＦＥＮＧＱｉ
（ＳｈａｎｇｈａｉＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｉｃａｌＰｈｙｓｉｃｓｆＴｏｈｅＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｓｈａｎｇｈａｉ２０００８３，Ｃｈｉｎａ）

基于SURF特征点的图像配准系统

基于SURF特征点的图像配准系统赵毅力;徐丹;潘志庚【期刊名称】《计算机应用》【年(卷),期】2011(031)0z1【摘要】提出一种基于SURF特征点的图像自动配准方法.首先在图像的尺度空间中提取特征点,然后对特征点进行亚像素定位,并赋予主方向.根据特征点邻域信息分布计算得到特征向量后,利用最近邻特征点距离与次近邻特征点距离之比得到初始匹配点对.然后使用RANSAC算法剔除错误匹配特征点对,同时计算得到图像之间的变换参数.实验结果表明该方法能够实现不同分辨率图像的自动配准.%An automatic image registration method based on SURF feature points was proposed. First, extracts the feature points from the scale space of the image, then locates feature points on the sub-pixel coordinates, and gives the main orientation. Initial feature points matching can be calculated by using the distance ratio of the nearest neighbor feature point and the next nearest neighbor feature point. Then RANSAC ( Random Sample Consensus) algorithm was used to match the initial feature points set, while calculating transformation parameters between the two images. The results show that the method can achieve robust automatic image registration between different resolution images.【总页数】3页(P73-75)【作者】赵毅力;徐丹;潘志庚【作者单位】西南林业大学计算机与信息科学系，昆明650224;云南大学计算机科学与工程系，昆明650091;浙江大学CAD&CG国家重点实验室，杭州310027【正文语种】中文【中图分类】TP391.41【相关文献】1.基于特征点的图像配准子系统的研究与实现 [J], 刘睿;姚素英;史再峰2.基于SURF特征点的图像配准系统 [J], 赵毅力;徐丹;潘志庚3.一种基于SURF特征点匹配的港口影像海陆分离方法 [J], 罗兴潮;黄文骞;李加群;林位衡4.基于精选SURF特征点的手指静脉识别算法 [J], 黄易豪;周颖玥;徐苏;刘银辉5.基于改进SURF特征点的模板匹配算法 [J], 吴清辉因版权原因，仅展示原文概要，查看原文内容请购买。