为解决尺度不变特征变换( SIFT)算法在图像发生旋转和尺度变化时产生的错误匹配问题, 提出一种新的算法。根据 SIFT提取的关键点信息, 利用正确匹配点对间的旋转不变因子和尺度不变因子来剔除 SIFT误匹配点, 然后对保留下来的特征点进行聚类分析, 对目标图像进行识别判断, 并通过实验将该算法与双向匹配算法和随机抽样一致性算法( RANSAC)进行比较。实验结果表明, 该算法能够有效地剔除误匹配点, 且误剔除率低。剔除误匹配点后再进行图像检索, 图像的漏检率和误检率都大大地降低了。
尺度不变特征变换 转不变因子 尺度不变因子 误剔除率 漏检率 误检率 SIFT rotation-invariant factor scale-invariant factor false rejection rate miss rate false detection rate
1 湖北大学计算机与信息工程学院, 武汉 430062
2 武汉大学电子信息学院, 武汉 430079
图像内部不同位置或不同图像之间包含有相似的像素或图像分块, 通过对相似块的融合可以完成高分辨率图像的重建。为了充分挖掘图像中潜在的相似信息, 以提高重建质量, 利用图像的几何变换自相似性, 提取图像的邻域 Zernike矩特征进行非局部相似性测度, 提出一种融合几何变换相似信息的联合加权的序列图像超分辨率重建算法。实验结果验证了本文方法的有效性, 与同类方法相比, 本文方法具有更好的重建效果。
超分辨率重建 Zernike矩 几何变换相似块 联合加权 super-resolution Zernike moments similar patches with geometric transformation collaborative weighting