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。

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.

针对SAR (Synthetic Aperture Radar) 图像全自动配准问题，本文提出一种基于仿射不变SIFT (Scale InvariantFeature Transform) 特征的精确配准方法。该方法首先对传统SIFT 方法改进构建具有仿射不变性的SIFT 描述子，并利用该描述子对提取的控制点进行粗匹配，然后由粗匹配点对的尺度比和方位差及其邻域的灰度相似性构建新的相似矩阵，最后利用SVD (Singular Value Decomposition)方法确定精确匹配点对，求出变换参数从而实现图像的精确配准。实验结果表明该方法优于传统的SIFT 方法和SIFT＋SVD 方法并且可以达到亚像素的配准精度。