赵迪迪 1,2,3李加慧 1,2,3谭奋利 1,2,3曾晨欣 1,2,3季轶群 1,2,3,*
1 苏州大学光电科学与工程学院, 江苏 苏州 215006
2 苏州大学江苏省先进光学制造技术重点实验室, 江苏 苏州 215006
3 苏州大学教育部现代光学技术重点实验室, 江苏 苏州 215006
针对随机抽样一致性(RANSAC)算法在特征点匹配中存在的精度低、稳定性差等问题,提出了一种基于平滑约束和聚类分析的图像配准算法。首先,利用邻域匹配特征点的尺度信息及空间角度顺序构建平滑约束,将初始匹配点划分为高内点率的抽样集和高内点数的验证集;然后,通过反复抽样和模型检验求解暂定内点集,并对其进行聚类分析,根据聚类中心在图像重叠区域的分布质量选取最优内点集;最后,利用最优内点集求解模型参数,实现图像的稳健配准。仿真结果表明,相比RANSAC算法,本算法的配准精度提高了26.83%,误差标准差由0.68降至0.19。
图像处理 图像配准 随机抽样一致性 平滑约束 聚类分析 激光与光电子学进展
2021, 58(12): 1210010
国防科技大学 电子科学与工程学院, 湖南 长沙 410073
在高光谱遥感图像中, 地物的空间分布往往呈现两种特征: 一是都有各自的主导区域；二是在地表空间上分布连续.利用这两种先验信息, 分别引入了对丰度的正交约束与平滑约束, 提出了一种基于丰度约束的非负矩阵分解算法.为进一步地提高算法的性能, 另外还提出了一种新的算法停止准则及权重因子调整策略, 以适应信噪比以及像元混合程度的变化.在仿真数据和实测数据上的实验结果表明, 该算法不仅能很好地表征地物的分布特征, 提高解混精度, 而且在信噪比较低, 无纯像元的条件下, 仍然能得到较好的解混结果.
高光谱遥感 光谱解混 非负矩阵分解 正交约束 平滑约束 hyperspectral remote sensing spectral unmixing nonnegative matrix factorization orthogonality constraint smoothness constraint
提出了一种新的自适应权值的立体匹配方法，在匹配中无需逐像素确定其支持窗口的尺寸。首先根据像素间的相似性和邻近性对匹配窗口内每一像素的支持权值进行调整，使与待匹配点位于同一区域的像素权值增大，然后在匹配的代价函数中引入视差平滑性约束项，从而获得最终视差。在Middlebury提供的标准图像上进行了测试。实验结果表明，该方法可以获得良好的视差图。
立体匹配 支持权值 平滑性约束 stereo matching support-weight smoothness constraint
