针对点集匹配中异常值的干扰问题, 提出了一种基于贝叶斯学生t分布混合模型(SMM)的稳健仿射点集匹配方法。在贝叶斯框架下, 该算法将点集匹配问题模型化为利用SMM进行概率密度估计的问题。通过引入模型参数的近似变分后验分布, 目标函数转化为最大化完全数据对数似然的变分下界, 利用变分贝叶斯期望最大化(VBEM)算法迭代估计模型参数的变分后验分布。对于学生t分布的自由度参数, 通过最大化完全数据的对数似然进行迭代更新, 并利用斯特林公式近似计算。通过模拟点集和光学遥感图像的配准实验, 验证了该方法的有效性。

包含相同目标的图像由于可能存在结构差异而导致特征匹配困难、不精确, 针对该问题提出了一种新的匹配方法。首先, 提出一种稳健的非线性投影非负矩阵分解方法 (RNPNMF), 利用 RNPNMF得到特征点集的共同投影空间; 然后, 计算特征点集在共同投影空间的投影, 利用特征点集在共同投影空间上的投影实现点集的精确匹配。最后, 为验证本文方法的有效性, 分别对光学图像和 SAR图像进行了实验, 实验结果表明: 和现有方法相比, 本文所提方法能更精确有效的实现特征点集的匹配, 同时, 应用于图像配准也得到了很好的结果。

针对合成孔径雷达(SAR)图像提出了一种带边缘惩罚和自适应权马尔科夫随机场(MRF)模型的快速分割算法。在MRF分割模型的能量函数中引入了边缘惩罚和自适应加权参数。边缘惩罚的引入能够减少边缘模糊从而更加精确地定位边缘。自适应权参数能够根据图像分割时收敛的阶段以及图像的局部场景自适应地调整能量函数中数据模型因子的权重，这有利于在均质区域改进分割区域的一致性，而在非均质区域则可保持图像的边缘和重要细节。针对所提出的能量函数提出了一种快速的非均质点跟踪优化算法。对合成和真实的SAR图像的分割结果表明，所提出的分割方法能提高分割的精度并显著减少运行时间。

本文提出一种新的利用图的谱对应绝对值特征向量的非负矩阵分解图像配准方法。首先利用图像特征构造了无向权图的非负权矩阵, 通过非负矩阵分解得到了包含原始图像全部特征的特征基图像; 然后将非负权矩阵谱对应绝对值特征向量作为非负矩阵分解的初始值进行迭代, 既能反映图的结构特征信息, 又能提高图像的匹配率; 最后在特征基向量空间找到了两图的正确特征对应关系。合成图像和真实图像实验结果表明了本文图像配准方法的可行性。

A technique to construct an affine invariant descriptor for remote-sensing image registration based on the scale invariant features transform (SIFT) in a kernel space is proposed. Affine invariant SIFT descriptor is first developed in an elliptical region determined by the Hessian matrix of the feature points. Thereafter, the descriptor is mapped to a feature space induced by a kernel, and a new descriptor is constructed by whitening the mapped descriptor in the feature space, with the transform called KW-SIFT. In a final step, the new descriptor is used to register remote-sensing images. Experimental results for remote-sensing image registration indicate that the proposed method improves the registration performance as compared with other related methods.

Point pattern matching is an essential step in many image processing applications. This letter investigates the spectral approaches of point pattern matching, and presents a spectral feature matching algorithm based on kernel partial least squares (KPLS). Given the feature points of two images, we define position similarity matrices for the reference and sensed images, and extract the pattern vectors from the matrices using KPLS, which indicate the geometric distribution and the inner relationships of the feature points. Feature points matching are done using the bipartite graph matching method. Experiments conducted on both synthetic and real-world data demonstrate the robustness and invariance of the algorithm.